Amazon EMR

ใช้งานและปรับขนาด Apache Spark, Hive, Presto และปริมาณงาน Big Data อื่นๆ ได้อย่างง่ายดาย

เรียกใช้แอปพลิเคชัน Big Data และการวิเคราะห์ข้อมูลระดับเพตะไบต์ได้เร็วขึ้น และมีค่าใช้จ่ายไม่ถึงครึ่งหนึ่งของโซลูชันในองค์กร

สร้างแอปพลิเคชันโดยใช้เฟรมเวิร์กแบบโอเพนซอร์สล่าสุด พร้อมตัวเลือกในการทำงานบนคลัสเตอร์ Amazon EC2 ที่กำหนดเอง, Amazon EKS, AWS Outposts หรือ Amazon EMR แบบไร้เซิร์ฟเวอร์

รับข้อมูลเชิงลึกได้เร็วขึ้นถึง 2 เท่าด้วย Spark, Hive และ Presto ในเวอร์ชันที่เข้ากันได้กับ API ที่ได้รับการปรับให้เหมาะสมกับประสิทธิภาพและแบบโอเพนซอร์ส

พัฒนา แสดงภาพ และแก้จุดบกพร่องในแอปพลิเคชันของคุณอย่างง่ายดายโดยใช้ EMR Notebooks และเครื่องมือแบบโอเพนซอร์สที่คุ้นเคยใน EMR Studio

วิธีการทำงาน

Amazon EMR เป็นแพลตฟอร์ม Big Data บนระบบคลาวด์สำหรับการเรียกใช้งานการประมวลผลข้อมูลแบบกระจายขนาดใหญ่, การสืบค้น SQL เชิงโต้ตอบ และแอปพลิเคชันแมชชีนเลิร์นนิง (ML) โดยใช้เฟรมเวิร์กการวิเคราะห์แบบโอเพนซอร์ส เช่น Apache Spark, Apache Hive และ Presto

วิธีการทำงานของ Amazon EMR
 คลิกเพื่อขยาย
ขอแนะนำ EMR Serverless (2:02)
ขอแนะนำ Amazon EMR Serverless
Amazon EMR Serverless เป็นตัวเลือกใหม่ใน Amazon EMR ที่ทำให้วิศวกรและนักวิเคราะห์ข้อมูลสามารถเรียกใช้แอปพลิเคชันที่สร้างโดยใช้เฟรมเวิร์ก Big Data แบบโอเพนซอร์ส เช่น Apache Spark, Hive หรือ Presto ได้อย่างง่ายดายและคุ้มค่า โดยไม่ต้องปรับแต่ง ดำเนินการ ปรับให้เหมาะสม รักษาความปลอดภัย หรือจัดการคลัสเตอร์
ขอแนะนำ Amazon EMR Serverless
Amazon EMR Serverless เป็นตัวเลือกใหม่ใน Amazon EMR ที่ทำให้วิศวกรและนักวิเคราะห์ข้อมูลสามารถเรียกใช้แอปพลิเคชันที่สร้างโดยใช้เฟรมเวิร์ก Big Data แบบโอเพนซอร์ส เช่น Apache Spark, Hive หรือ Presto ได้อย่างง่ายดายและคุ้มค่า โดยไม่ต้องปรับแต่ง ดำเนินการ ปรับให้เหมาะสม รักษาความปลอดภัย หรือจัดการคลัสเตอร์ EMR Serverless เพิ่มหรือลดทรัพยากรการประมวลผลและหน่วยความจำตามที่แอปพลิเคชันของคุณต้องการ และคุณจ่ายเฉพาะทรัพยากรที่แอปพลิเคชันของคุณใช้เท่านั้น

กรณีการใช้งาน

ดำเนินการวิเคราะห์ Big Data

เรียกใช้การประมวลผลข้อมูลขนาดใหญ่และการวิเคราะห์แบบ What-if โดยใช้อัลกอริทึมเชิงสถิติและโมเดลเชิงคาดการณ์เพื่อค้นหารูปแบบ ความสัมพันธ์ แนวโน้มของตลาด และความชอบของลูกค้าที่ซ่อนอยู่

สร้างไปป์ไลน์ข้อมูลที่สามารถปรับขนาดได้

ดึงข้อมูลจากแหล่งต่างๆ ประมวลผลข้อมูลทุกระดับ และทำให้ข้อมูลพร้อมใช้งานสำหรับแอปพลิเคชันและผู้ใช้

ประมวลผลสตรีมข้อมูลแบบเรียลไทม์

วิเคราะห์เหตุการณ์จากแหล่งข้อมูลการสตรีมแบบเรียลไทม์เพื่อสร้างไปป์ไลน์ข้อมูลการสตรีมที่ใช้งานได้ยาวนาน พร้อมใช้งานสูง และทนต่อข้อผิดพลาด

เร่งการนำวิทยาศาสตร์ข้อมูลและ ML ไปใช้งาน

วิเคราะห์ข้อมูลโดยใช้เฟรมเวิร์ก ML แบบโอเพนซอร์ส เช่น Apache Spark MLlib, TensorFlow และ Apache MXNet เชื่อมต่อกับ Amazon SageMaker Studio สำหรับการฝึกฝน การวิเคราะห์ และการรายงานโมเดลขนาดใหญ่

วิธีเริ่มต้นใช้งาน

ดูวิธีการทำงานของ Amazon EMR

เรียนรู้ข้อมูลเพิ่มเติมเกี่ยวกับการจัดหาคลัสเตอร์ การปรับขนาดทรัพยากร การกำหนดค่าความพร้อมใช้งานสูง และอื่นๆ อีกมากมาย

สำรวจคุณสมบัติของ Amazon EMR »

สำรวจราคา Amazon EMR

ชำระค่าบริการตามวินาทีด้วยตัวเลือกต่างๆ เพื่อเรียกใช้คลัสเตอร์ EMR บน Amazon EC2, Amazon EKS, AWS Outposts หรือ Amazon EMR แบบไร้เซิร์ฟเวอร์

เรียนรู้เพิ่มเติมเกี่ยวกับราคา Amazon EMR »

เริ่มต้นใช้งาน Amazon EMR

เรียนรู้เกี่ยวกับการประมวลผลสตรีมแบบเรียลไทม์ แมชชีนเลิร์นนิ่งขนาดใหญ่ และอื่นๆ โดยใช้ EMR

ดูบทแนะนำสอนการใช้งาน Amazon EMR »

สำรวจ AWS เพิ่มเติม