Name: Giới thiệu về Data Lakehouse (Intro to Data Lakehouse)
Uploaded: 2025-12-21T12:32:48.000Z
Duration: 5 min 45 s
Description: Thousands of YouTube videos with English-Chinese subtitles! Now you can learn to understand native speakers, expand your vocabulary, and improve your pronunciation...

The History of Data Management in this video, you'll learn about the origin and purpose of the data lakehouse and the challenges of managing big data.

Lịch sử quản lý dữ liệu Trong video này, bạn sẽ tìm hiểu về nguồn gốc và mục đích của data lakehouse cũng như những thách thức trong quản lý big data.

To understand what a data lakehouse is, you'll need to explore the history of data management and analytics.

Để hiểu data lakehouse là gì, bạn cần khám phá lịch sử quản lý dữ liệu và phân tích.

In the late 1980s, businesses wanted to harness data driven insights for business decisions and innovation.

Vào cuối những năm 1980, các doanh nghiệp muốn khai thác hiểu biết dựa trên dữ liệu cho các quyết định kinh doanh và đổi mới.

To do this, organizations had to move past simple relational databases to systems that could manage and analyze data that was being generated and collected at high volumes and at a faster pace.

Để làm được điều này, các tổ chức phải vượt qua các cơ sở dữ liệu quan hệ đơn giản để đến các hệ thống có thể quản lý và phân tích dữ liệu đang được tạo ra và thu thập với khối lượng lớn và tốc độ nhanh hơn.

Data warehouses were designed to collect and consolidate this influx of data and provide support for overall business intelligence and analytics.

Kho dữ liệu được thiết kế để thu thập và hợp nhất luồng dữ liệu này, đồng thời hỗ trợ kinh doanh thông minh và phân tích tổng thể.

Data in a data warehouse is structured and clean with predefined schemas.

Dữ liệu trong kho dữ liệu có cấu trúc và sạch sẽ với các lược đồ được xác định trước.

However, data warehouses were not designed with semi structured or unstructured data in mind and became very expensive when trying to store and analyze any data that didn't fit the schema.

Tuy nhiên, kho dữ liệu không được thiết kế cho dữ liệu bán cấu trúc hoặc dữ liệu phi cấu trúc và trở nên rất tốn kém khi cố gắng lưu trữ và phân tích bất kỳ dữ liệu nào không khớp với lược đồ.

As companies grew and the world became more digital, data collection drastically increased in volume, velocity and variety, pushing data warehouses out of favor.

Khi các công ty phát triển và thế giới ngày càng số hóa, việc thu thập dữ liệu tăng mạnh về khối lượng, tốc độ và sự đa dạng, khiến kho dữ liệu dần bị thất sủng.

It took too much time to process data and provide results and and there was limited capability to handle data variety and velocity.

Mất quá nhiều thời gian để xử lý dữ liệu và đưa ra kết quả, đồng thời khả năng xử lý sự đa dạng và tốc độ của dữ liệu bị hạn chế.

In the early 2000s, the advent of big data drove the development of data lakes where structured, semi structured and unstructured data could live simultaneously, collected in the volumes and speeds necessary.

Vào đầu những năm 2000, sự ra đời của big data đã thúc đẩy sự phát triển của data lakes, nơi dữ liệu có cấu trúc, bán cấu trúc và phi cấu trúc có thể tồn tại đồng thời, được thu thập với khối lượng và tốc độ cần thiết.

Multiple data types could be stored side by side in a data lake.

Nhiều loại dữ liệu khác nhau có thể được lưu trữ song song trong một data lake.

Data created from many different sources such as web logs or sensor data, could be streamed into the data lake quickly and cheaply in low cost cloud object stores.

Dữ liệu được tạo ra từ nhiều nguồn khác nhau như nhật ký web hoặc dữ liệu cảm biến, có thể được truyền vào data lake một cách nhanh chóng và rẻ tiền trong các kho đối tượng đám mây có chi phí thấp.

However, while data lakes solved the storage dilemma, it introduced additional concerns and lacked necessary features from data warehouses.

Tuy nhiên, trong khi data lakes giải quyết vấn đề lưu trữ, nó lại đưa ra những lo ngại bổ sung và thiếu các tính năng cần thiết từ các kho dữ liệu.

First, data lakes are not supportive of transactional data and can't enforce data quality, so the reliability of the data stored in the data lake is questionable, mostly due to the various formats.

Đầu tiên, data lakes không hỗ trợ dữ liệu giao dịch và không thể đảm bảo chất lượng dữ liệu, vì vậy độ tin cậy của dữ liệu được lưu trữ trong data lake là đáng ngờ, chủ yếu là do các định dạng khác nhau.

Second, with such a large volume of data, the performance of analysis is slower and the timeliness of decision impacting results has never manifested.

Thứ hai, với khối lượng dữ liệu lớn như vậy, hiệu suất phân tích chậm hơn và tính kịp thời của kết quả ảnh hưởng đến quyết định chưa bao giờ được thể hiện.

And third, governance over the data in a data lake creates challenges with security and privacy enforcement due to the unstructured nature of the contents of a data lake.

Và thứ ba, việc quản trị dữ liệu trong data lake tạo ra những thách thức về việc thực thi bảo mật và quyền riêng tư do bản chất phi cấu trúc của nội dung trong data lake.

Because data lakes didn't fully replace data warehouses for reliable BI insights, businesses implemented complex technology stack environments including data lakes, data warehouses, and

Vì data lakes không hoàn toàn thay thế các kho dữ liệu cho các hiểu biết dựa trên dữ liệu đáng tin cậy, các doanh nghiệp đã triển khai các môi trường công nghệ phức tạp bao gồm data lakes, kho dữ liệu và

additional specialized systems for streaming time series, graph and image databases, to name a few.

các hệ thống chuyên dụng bổ sung cho việc truyền dữ liệu chuỗi thời gian, đồ thị và cơ sở dữ liệu hình ảnh, chỉ để kể tên một vài.

But such an environment introduced complexity and delay as data teams were stuck in silos completing disjointed work.

Nhưng một môi trường như vậy đã tạo ra sự phức tạp và chậm trễ khi các nhóm dữ liệu bị mắc kẹt trong các silo hoàn thành công việc rời rạc.

Data had to be copied between the systems and in some cases copied back, impacting oversight and data usage governance, not to mention the cost of storing the same information twice with disjointed systems.

Dữ liệu phải được sao chép giữa các hệ thống và trong một số trường hợp sao chép ngược lại, ảnh hưởng đến việc giám sát và quản trị sử dụng dữ liệu, chưa kể đến chi phí lưu trữ cùng một thông tin hai lần với các hệ thống rời rạc.

Successful AI implementation was difficult and actionable outcomes required data from multiple places.

Việc triển khai AI thành công rất khó khăn và các kết quả có thể hành động đòi hỏi dữ liệu từ nhiều nơi.

Giá trị đằng sau dữ liệu đã bị mất.

In a recent study By Accenture, only 32% of companies reported measurable value from data.

Trong một nghiên cứu gần đây của Accenture, chỉ 32% công ty báo cáo giá trị có thể đo lường từ dữ liệu.

Something needed to change because businesses needed a single flexible, high performance system to support the ever increasing use cases for data exploration, predictive modeling and predictive analytics.

Cần phải có sự thay đổi vì các doanh nghiệp cần một hệ thống duy nhất, linh hoạt, hiệu suất cao để hỗ trợ các trường hợp sử dụng ngày càng tăng cho việc khám phá dữ liệu, mô hình hóa dự đoán và phân tích dự đoán.

Data teams needed systems to support data applications including SQL analytics, real time analysis, data science and machine learning.

Các nhóm dữ liệu cần các hệ thống để hỗ trợ các ứng dụng dữ liệu bao gồm phân tích SQL, phân tích thời gian thực, khoa học dữ liệu và học máy.

To meet these needs and address the concerns and challenges, a new data management architecture emerged.

Để đáp ứng những nhu cầu này và giải quyết các mối quan tâm cũng như thách thức, một kiến trúc quản lý dữ liệu mới đã xuất hiện.

The Data Lakehouse the Data Lakehouse was developed as an open architecture combining the benefits of a data lake with with the analytical power and controls of a data warehouse built on a data lake.

Data Lakehouse, Data Lakehouse được phát triển như một kiến trúc mở kết hợp lợi ích của hồ dữ liệu với sức mạnh phân tích và kiểm soát của kho dữ liệu được xây dựng trên hồ dữ liệu.

A data lakehouse can store all data of any type together, becoming a single reliable source of truth providing direct access for AI and bi.

Một data lakehouse có thể lưu trữ tất cả dữ liệu thuộc mọi loại cùng nhau, trở thành một nguồn sự thật đáng tin cậy duy nhất cung cấp quyền truy cập trực tiếp cho AI và BI.

Together, Data lakehouses like the Databricks Lakehouse platform offer several key features such as transaction support including ACID transactions for concurrent read write interactions, schema enforcement and governance for data integrity and robust auditing needs.

Cùng nhau, các data lakehouse như nền tảng Databricks Lakehouse cung cấp một số tính năng chính như hỗ trợ giao dịch bao gồm các giao dịch ACID cho các tương tác đọc ghi đồng thời, thực thi lược đồ và quản trị để đảm bảo tính toàn vẹn của dữ liệu và các n

Data governance to support privacy regulation and data use metrics BI support to reduce the latency between obtaining data and drawing insights.

Quản trị dữ liệu để hỗ trợ quy định về quyền riêng tư và các chỉ số sử dụng dữ liệu, hỗ trợ BI để giảm độ trễ giữa việc thu thập dữ liệu và rút ra hiểu biết.

Additionally, the Data Lakehouse offers decoupled storage from compute, meaning each operates on their own clusters allowing them to scale independently to support specific needs.

Ngoài ra, Data Lakehouse còn cung cấp khả năng tách biệt lưu trữ khỏi tính toán, nghĩa là mỗi thành phần hoạt động trên các cụm riêng, cho phép chúng mở rộng quy mô độc lập để hỗ trợ các nhu cầu cụ thể.

Open storage formats such as Apache Parquet, which are open and standardized so a variety of tools and engines can access the data directly and efficiently Support for diverse data types so a business can store, refine, analyze and access semi structured, structured and unstructured data in one location.

Các định dạng lưu trữ mở như Apache Parquet, là các định dạng mở và tiêu chuẩn hóa để nhiều công cụ và engine có thể truy cập dữ liệu trực tiếp và hiệu quả. Hỗ trợ nhiều loại dữ liệu khác nhau để doanh nghiệp có thể lưu trữ, tinh chỉnh, phân tích và truy 

Support for diverse workloads Allowing a range of workloads such as data science, machine learning and SQL analytics to use the same data repository and end to end streaming for real time reports removes the need for a separate system dedicated to real time data applications.

Hỗ trợ nhiều loại workload, cho phép nhiều loại workload như khoa học dữ liệu, học máy và phân tích SQL sử dụng cùng một kho dữ liệu và streaming end-to-end cho báo cáo thời gian thực loại bỏ nhu cầu về một hệ thống riêng biệt dành cho các ứng dụng dữ liệ

The Lakehouse supports the work of data analysts, data engineers and data scientists all in one location.

Lakehouse hỗ trợ công việc của các nhà phân tích dữ liệu, kỹ sư dữ liệu và nhà khoa học dữ liệu, tất cả ở một nơi.

The Lakehouse essentially is the modernized version of a data warehouse, providing all the benefits and features without compromising the flexibility and depth of a data lake.

Về cơ bản, Lakehouse là phiên bản hiện đại hóa của kho dữ liệu, cung cấp tất cả các lợi ích và tính năng mà không ảnh hưởng đến tính linh hoạt và chiều sâu của hồ dữ liệu.

Subtitles ListPlay Video

Giới thiệu về Data Lakehouse (Intro to Data Lakehouse)

access

multiple

compromise

simultaneously