Hazelcast Met à Jour sa Plateforme de Traitement de Données en Temps Réel vers la Version 5.4
Hazelcast a lancé la version 5.4 de sa plateforme de traitement de données en temps réel, apportant des améliorations spécifiquement conçues pour optimiser les charges de travail opérationnelles et d'intelligence artificielle (IA).
La plateforme Hazelcast constitue un environnement d'application intelligent en temps réel, disponible en versions open-source et entreprise. Son architecture associe un stockage de données haute vitesse aux capacités de traitement de flux, la rendant propice à l'analyse des données, à l'intelligence économique, ainsi qu'aux applications d'apprentissage automatique (ML) et d'IA de plus en plus répandues. À mesure que les entreprises adoptent rapidement l'IA pour des prises de décision sensibles à la latence, la mise à jour 5.4 améliore les caractéristiques fondamentales d'Hazelcast pour répondre aux besoins complexes de traitement des données des pipelines IA en production. Parmi ses clients notables figurent JPMorgan Chase, Volvo, New York Life et Target.
Avancées Clés de la Version 5.4
« C'est un autre pas dans notre leadership pluriannuel en matière de soutien aux charges de travail IA pour les grandes organisations », a déclaré Kelly Herrell, PDG d'Hazelcast. « Pour que l'IA génère de la valeur, l'infrastructure de traitement des données doit être fiable, et c'est là que nous excellerons. »
Consistance dans le Traitement de Données en Temps Réel
Hazelcast traite les données en temps réel au fur et à mesure qu'elles arrivent dans le système. Dans les systèmes de données modernes et hautement disponibles, où plusieurs nœuds collaborent, maintenir la consistance des données peut s'avérer difficile.
« La consistance des données est un problème complexe », a noté Herrell. « Nous avons disposé d'un sous-système de consistance solide pendant des années, et nos clients l'ont rigoureusement testé. »
Avec les exigences évolutives des applications alimentées par l'IA, maintenir la consistance des données est devenu d'autant plus urgent. La nouvelle version 5.4 introduit un sous-système CP (Consistency Provider) avancé qui crée une couche de données en mémoire fortement consistante, basée sur le théorème CAP (Consistence, Disponibilité, Partitions) pour gérer la consistance dans des clusters distribués.
De plus, Hazelcast 5.4 intègre une architecture innovante Thread-Per-Core (TPC) qui améliore les performances de calcul de 30 % grâce à des capacités de threading optimisées.
« La plupart des développeurs comprennent que prioriser la consistance peut ralentir le système, ce qui représente un compromis courant », a expliqué Herrell. « En intégrant une consistance avancée avec TPC, nous minimisons ce compromis, garantissant des performances optimales tout en maintenant une forte consistance. »
Stockage Hiérarchisé : Répondre aux Besoins en Données de l'IA
La capacité de traitement des données en mémoire de la plateforme Hazelcast est essentielle, mais les charges de travail modernes en IA et ML exigent souvent un stockage étendu dépassant les limites de la mémoire. C'est là que la nouvelle fonctionnalité de stockage hiérarchisé devient précieuse, offrant différents niveaux de performance pour le traitement de données en temps réel.
« Dans le domaine de l'IA, la soif de données est insatiable », a souligné Herrell. « Conserver toutes les données en mémoire peut être coûteux. Le stockage hiérarchisé permet aux utilisateurs de faire évoluer leurs solutions de stockage pour gérer efficacement les charges de travail IA et ML au sein d'un environnement cohérent. »
Accélérer l'IA pour la Détection de Fraude
La plateforme d'Hazelcast a été utilisée dans diverses applications IA et ML, notamment pour la détection de fraude.
Herrell a mis en avant l'utilisation de la plateforme par une grande entreprise de cartes de crédit pour la détection de fraude en temps réel. Lorsqu'une carte de crédit est glissée, le terminal de paiement vérifie rapidement le statut d'approbation. Cette décision d'approbation doit intervenir en moins de 50 millisecondes.
« Dans cette brève fenêtre, nous traitons six algorithmes ML discrets pour la détection de fraude et générons un score composite, fournissant une réponse bien informée sur l'approbation de la transaction », a expliqué Herrell.
En résumé, Hazelcast 5.4 élève les capacités de traitement de données en temps réel, offrant une consistance et des solutions de stockage améliorées essentielles pour les charges de travail d'IA, facilitant ainsi une prise de décision rapide dans diverses applications, y compris la détection de fraude.
Classement
