Orchestrez des technologies et exécutez des pipelines
Tirez parti du meilleur des technologies commerciales, open source et public cloud. Notre Plateforme DataOps les intègre et les orchestre grâce à Kubernetes pour vous en faciliter l’utilisation. Optimisez vos coûts sans perdre en agilité en choisissant vos technologies préférées, leurs version et les librairies qui les accompagnent.
Sélectionnez vos technologies
Lancez vous sans plus attendre en profitant d’une orchestration simplifiée de frameworks pré-packagés open source, propriétaires et cloud et évitez-vous de nombreux mois de configuration et de débats en meetings d’architecture.
La plateforme DataOps de Saagie offre de nombreux contextes de choix de technologies, de leurs différentes versions et de librairies pour vous permettre d’adapter vos choix tout au long du projet.
Rendez vos travaux reproductibles
Ne vous arrêtez plus au stade du POC. En simplifiant l’implémentation de pratiques DevOps dans les projets data, Saagie vous permet de passer vos travaux en production.
La plateforme DataOps permet aux équipes data d’explorer et d’expérimenter en leur assurant que leurs traitements s’exécuteront de la même manière en Lab’ qu’en Prod’ par la promotion de jobs entre environnements.
Chacun des jobs créés au sein de Saagie est reproductible peu importe l’environnement et vous évite de perdre du temps à configurer des environnements Python.
Lancez vos jobs en pipelines
Après avoir choisi vos technologies et créé vos jobs, il vous suffit de construire vos pipelines afin de gérer le cycle complet de la donnée, de la préparation à la visualisation.
Le large choix de technologies et leur orchestration permet à vos data engineers et data scientists de collaborer sur un seul et même projet, le tout dans un environnement sécurisé. Toute instance et exécution de jobs est sauvegardée afin que l’ensemble du projet soit supervisable et traçable.
Les technologies supportées
Débutez maintenant en choisissant parmi notre sélection de technologies sur étagère. Orchestrez des ETL (Extract, Transform, Load), des technologies de préparation et de traitement.
Python
Catégorie:
Data Engineering, Machine Learning
Utilisation:
KPI et Machine Learning sur de petits datasets
Versions supportées:
2.7, 3.5, 3.6, 3.7
Data Engineering, Machine Learning
Utilisation:
KPI et Machine Learning sur de petits datasets
Versions supportées:
2.7, 3.5, 3.6, 3.7
Bash
Catégorie:
Data Engineering
Utilisation:
Extraction, Intégration
Versions supportées:
Debian 9, CLI AWS, CLI Azure, CLI GKE
Data Engineering
Utilisation:
Extraction, Intégration
Versions supportées:
Debian 9, CLI AWS, CLI Azure, CLI GKE
R
Catégorie:
Data Engineering, Machine Learning
Utilisation:
Statistiques
Versions supportées:
3.4.4, 3.5.3, 3.6.3
Data Engineering, Machine Learning
Utilisation:
Statistiques
Versions supportées:
3.4.4, 3.5.3, 3.6.3
Spark
Catégorie:
Data Engineering, Machine Learning
Utilisation:
KPI et Machine Learning sur de grands datasets, Streaming
Versions supportées:
2.4.5 (Java: 8,11 - Python: 2.7, 3.5, 3.7)
Data Engineering, Machine Learning
Utilisation:
KPI et Machine Learning sur de grands datasets, Streaming
Versions supportées:
2.4.5 (Java: 8,11 - Python: 2.7, 3.5, 3.7)
Talend
Catégorie:
Data Engineering
Utilisation:
Batch
Versions supportées:
8.121, 8.131
Data Engineering
Utilisation:
Batch
Versions supportées:
8.121, 8.131
Java
Catégorie:
Data Engineering
Utilisation:
Streaming
Versions supportées:
7, 8, 11
Data Engineering
Utilisation:
Streaming
Versions supportées:
7, 8, 11
Docker
Catégorie:
Data Engineering, Machine Learning
Utilisation:
App containerization
Data Engineering, Machine Learning
Utilisation:
App containerization
Sqoop
Catégorie:
Data Engineering
Utilisation:
Extraction
Versions supportées:
1.4.6
Data Engineering
Utilisation:
Extraction
Versions supportées:
1.4.6
Notre catalogue d’applications
Profitez aussi d’images Docker pré-configurées afin d’intégrer facilement des applications et leurs librairies.
R Studio
Catégorie:
Data Engineering, Machine Learning
Versions supportées:
3.4.4, 3.6.2
Data Engineering, Machine Learning
Versions supportées:
3.4.4, 3.6.2
Nifi
Catégorie:
Data Engineering
Versions supportées:
1.9.2
Data Engineering
Versions supportées:
1.9.2
Jupyter
Catégorie:
Data Engineering, Machine Learning
Versions supportées:
5.2.1
Data Engineering, Machine Learning
Versions supportées:
5.2.1
Grafana
Catégorie:
Data Visualization
Versions supportées:
6.6.2
Data Visualization
Versions supportées:
6.6.2
Zeppelin
Catégorie:
Data Engineering, Machine Learning
Versions supportées:
0.7.3
Data Engineering, Machine Learning
Versions supportées:
0.7.3
Kibana
Catégorie:
Data Visualization
Versions supportées:
5.6.3, 5.6.16, 6.4.1, 6.4.3, 6.8.1, 6.8.4, 7.4.0, 7.4.1, 7.5.1, 7.6.2
Data Visualization
Versions supportées:
5.6.3, 5.6.16, 6.4.1, 6.4.3, 6.8.1, 6.8.4, 7.4.0, 7.4.1, 7.5.1, 7.6.2
