« Analitik

Amazon EMR

Jalankan dan skalakan Apache Spark, Hive, Presto, dan beban kerja big data lainnya dengan mudah

Jalankan aplikasi big data dan analitik data berskala petabita dengan lebih cepat, dan dengan biaya kurang dari setengah biaya solusi on-premise.

Bangun aplikasi menggunakan kerangka kerja sumber terbuka terbaru, dengan opsi untuk berjalan pada klaster Amazon EC2 terkustomisasi, Amazon EKS, AWS Outposts, atau Amazon EMR Serverless.

Dapatkan wawasan hingga 2X lebih cepat dengan versi Spark, Hive, dan Presto beperforma optimal dan kompatibel dengan API sumber terbuka.

Kembangkan, visualisasikan, dan debug aplikasi Anda dengan mudah menggunakan EMR Notebooks dan alat sumber terbuka yang sudah dikenal dalam EMR Studio.

Cara kerjanya

Amazon EMR merupakan solusi big data cloud terkemuka di industri untuk pemrosesan data skala petabita, analitik interaktif, dan machine learning menggunakan kerangka kerja sumber terbuka seperti Apache Spark, Apache Hive, dan Presto.

Memperkenalkan EMR Nirserver (2:02)
Memperkenalkan Amazon EMR Nirserver
Amazon EMR Nirserver adalah opsi baru di Amazon EMR yang memudahkan dan hemat biaya bagi para rekayasawan data serta analis untuk menjalankan aplikasi yang dibangun menggunakan kerangka kerja big data sumber terbuka seperti Apache Spark, Hive, atau Presto, tanpa harus menyetel, mengoperasikan, mengoptimalkan, mengamankan atau mengelola klaster.
Memperkenalkan Amazon EMR Nirserver
Amazon EMR Nirserver adalah opsi baru di Amazon EMR yang memudahkan dan hemat biaya bagi para rekayasawan data serta analis untuk menjalankan aplikasi yang dibangun menggunakan kerangka kerja big data sumber terbuka seperti Apache Spark, Hive, atau Presto, tanpa harus menyetel, mengoperasikan, mengoptimalkan, mengamankan atau mengelola klaster. EMR Nirserver menskalakan sumber daya komputasi dan memori ke atas atau ke bawah sesuai kebutuhan aplikasi Anda serta Anda hanya membayar sumber daya yang digunakan oleh aplikasi.

Kasus penggunaan

Jalankan analitik big data

Jalankan pemrosesan data dalam skala besar dan analisis bagaimana-jika menggunakan algoritme statistik dan model prediktif untuk mengungkap pola tersembunyi, korelasi, tren pasar, dan preferensi pelanggan.

Bangun alur data yang dapat diskalakan

Ekstrak data dari berbagai sumber, proses data tersebut sesuai skala, dan sediakan data untuk aplikasi serta para pengguna.

Proses aliran data waktu nyata

Analisis peristiwa dari sumber data streaming dalam waktu nyata untuk membuat alur data streaming yang dapat berjalan lama, mempunyai ketersediaan tinggi, dan toleran terhadap kesalahan.

Akselerasi ilmu data dan adopsi ML

Analisis data menggunakan kerangka kerja ML sumber terbuka seperti Apache Spark MLlib, TensorFlow, dan Apache MXNet. Hubungkan dengan Amazon SageMaker Studio untuk pelatihan model, analisis, dan pelaporan dalam skala besar.

Pelanggan

Cara untuk memulai

Cari tahu cara kerja Amazon EMR

Pelajari lebih lanjut tentang penyediaan klaster, penskalaan sumber daya, mengonfigurasi ketersediaan tinggi, dan banyak lagi.

Jelajahi fitur Amazon EMR »

Jelajahi harga Amazon EMR

Bayar per detik dengan opsi untuk menjalankan klaster EMR pada Amazon EC2, Amazon EKS, AWS Outposts, atau Amazon EMR Serverless.

Pelajari selengkapnya tentang harga Amazon EMR »

Memulai dengan Amazon EMR

Pelajari tentang pemrosesan aliran waktu nyata, machine learning berskala besar, dan yang lainnya menggunakan EMR.

Periksa tutorial Amazon EMR »

Jelajahi lebih lanjut tentang AWS