Banyak organisasi saat ini ingin membebaskan diri dari kendala basis data lokal dan memanfaatkan kemampuan basis data yang dikelola sepenuhnya di cloud. Sesi ini membahas alasan dan cara memindahkan penerapan Oracle dan SQL Server lokal Anda ke AWS. Kami mendemonstrasikan cara menilai dan menganalisis kerumitan migrasi basis data Oracle dan SQL, mendiskusikan opsi migrasi, menentukan penentuan ukuran instans basis data, serta menggunakan alat dan automasi migrasi dengan AWS SCT dan AWS DMS untuk memodernkan basis data Anda. Cari tahu cara Amazon memigrasikan lebih dari 100 layanan pelanggan dari basis data Oracle ke AWS dan mendapatkan kebebasan basis data.

Jarang ditemukan satu basis data yang dapat memenuhi kebutuhan beberapa kasus penggunaan yang berbeda. Era basis data monolitik satu-ukuran-untuk-semua sudah ketinggalan zaman dan aplikasi yang sangat terdistribusi menggunakan banyak basis data dengan tujuan khusus. Dunia berubah, dan kategori basis data terus berkembang. Kami makin banyak mencari pelanggan yang ingin membangun aplikasi berskala Internet yang memerlukan model data beragam. Sebagai tanggapan atas kebutuhan tersebut, kami kini memiliki pilihan basis data relasional, nilai kunci, kolom lebar, dokumen, dalam memori, grafik, seri waktu, dan buku besar. Masing-masing mengatasi masalah khusus atau sekelompok masalah. Dalam sesi ini, pelajari cara basis data dengan tujuan khusus dari AWS memenuhi persyaratan skala, kinerja, dan kemudahan pengelolaan dari aplikasi modern.

Amazon EMR menyediakan kerangka kerja Hadoop terkelola yang membuat pemrosesan jumlah data yang besar secara mudah, cepat, dan hemat biaya. Anda juga dapat menjalankan kerangka kerja terdistribusi populer lainnya seperti Apache Spark, Apache Hive, Apache HBase, Apache Flink, Apache Hudi, dan Presto. EMR Notebooks, berdasarkan Jupyter Notebook yang populer, memberikan lingkungan pengembangan dan kolaborasi untuk pembuatan kueri ad hoc dan analisis penjelajahan. Dalam sesi ini, pelajari cara Amazon EMR menangani berbagai set kasus penggunaan big data secara aman dan tepercaya, termasuk analisis log, pengindeksan web, transformasi data (ETL), pembelajaran mesin, analisis keuangan, simulasi ilmiah, dan bioinformatika.

Sebagian besar perusahaan dibanjiri data, tetapi kekurangan wawasan kritis untuk membuat keputusan bisnis yang tepat waktu dan akurat karena arsitektur gudang data tradisional yang memakan biaya besar, rumit, dan kaku. Mereka melewatkan peluang untuk mengombinasikan sejumlah besar big data baru dan tidak terstruktur yang berada di luar gudang data dengan data yang tepercaya dan terstruktur di dalam gudang data mereka. Amazon Redshift menawarkan optimalisasi untuk set data yang berkisar dari beberapa ratus gigabyte hingga petabyte atau lebih tinggi dan berbiaya kurang dari 1.000 USD per terabyte setiap tahunnya, sepersepuluh dari biaya sebagian besar solusi gudang data tradisional dan memperluas kueri untuk danau data tanpa perlu memindahkan data. Dalam sesi ini, kami mendiskusikan bagaimana migrasi ke Amazon Redshift bisa memungkinkan Anda mendapatkan penskalaan dan kinerja dengan harga yang lebih baik, mengotomatiskan tugas administratif, mengintegrasikan danau data Anda secara native, dan memungkinkan Anda menganalisis format data terbuka tanpa perlu memuat, mengubah, atau memindahkan data.