数据

上章介绍了驱动 Data Cloud 的创新架构，以及它如何开启传统数据库从未实现的可能性。本章将深入讲解 Snowflake 客户在建模过程中会用到的数据库对象。诸如**表（tables）与视图（v

自数据库诞生以来，伴随数据规模与处理需求的增长，如何同时管理并发与可扩展性始终是反复出现的难题。多年来，人们尝试了许多创新设计，并取得了参差不齐的成效。然而，这些成功往往也伴随着新的权衡与代价。 Sn

上章把“模型”介绍为对现实的选择性简化。就像 Harry Beck 专为伦敦地铁出行而设计的地铁线路图一样，其他地图变体——比如街道图和地形图——用来刻画地理的不同侧面。对数据库以及依赖它们开展业务运

在数据库系统实践的半个多世纪里，“建模”（modeling）一词的含义已演变出截然不同的内涵。本开篇章节旨在为全书定下基调：揭开建模的神秘面纱，并介绍其应用、方法论与收益。贯穿本书，建模这一概念将逐步

在第 11 章中，我们探讨了在大型、复杂组织里日益重要的去中心化与联邦式模型在勋章（Medallion）架构中的细微差别。第 12 章将把焦点转向健全的治理与安全协议，其重要性不言而喻。 本章将全面概

作为本书的收官，我们将探讨不断演进的 Medallion 架构如何日益与生成式人工智能（GenAI）交织在一起。¹ 传统上，Medallion 架构在 Bronze、Silver 和 Gold 各层主

在第 5 章里，我们构建了 Bronze 层，解决了在来源系统多样且复杂的前提下，仍要做出可查询结构的难题。我强调了这一基础层在稳定性与可靠性方面的重要性。进入第 6 章后，我们把重心转向 Silve

在第 5 章中，我们基于 Oceanic Airlines 的参考架构，探讨了 Medallion 架构中 Bronze 层的基础设计与搭建。我们审视了部署与配置，并通过大量代码片段与示例加深理解。你

在你已经搭建好数据平台基础之后——无论是 Microsoft Fabric 还是 Azure Databricks——就可以开始构建 Bronze 层了。Bronze 层是所有原始数据（raw dat

在第一部分（Part I）中，我们探讨了 Medallion 架构的分层设计——Bronze、Silver、Gold。每一层都承担关键角色：将数据从 Bronze 层的原始态逐步转化为 Gold 层可

在第 1 章中，我们回顾了 Spark 与 Delta Lake 的演进，并引介了 Medallion 架构。这一设计模式帮助在现代湖仓（lakehouse）中以逻辑方式组织数据：通过 Bronze

在建房子之前，必须先打好坚实的地基。Medallion 架构亦然。本章作为预备性的桥段，引入我们在讨论 Medallion 架构时会反复出现的关键组件与模式，也为第 3 章的深入讲解（Medallio

构建稳健的数据架构是数据管理中最具挑战性的环节之一。 从数据采集、转换、分发到最终消费，整条处理流程会因多种因素而显著不同：包括治理方式、所用工具、组织的风险画像、规模与成熟度、用例需求，以及性能、灵

引言（Introduction） 在当今数据驱动的世界里，组织正面临如何高效管理并从海量数据中提取价值的挑战。这催生了数据工程（Data Engineering）这一关键学科：专注于数据采集、转换与管

引言（Introduction） 在深入探讨 Cortex 的生成式 AI（Generative AI）能力之前，先了解其原生机器学习（ML）函数是有价值的，这将为理解平台的高级分析能力打下坚实基础。

引言（Introduction） 人工智能（AI）与机器学习（ML）的迅猛发展为企业利用数据驱动洞察创造了新机遇。但把 AI 融入既有企业工作流常常面临重大挑战：基础设施复杂度高、数据安全顾虑多、且需

引言（Introduction） 本章将介绍 Snowflake 生态中的人工智能（AI）与机器学习（ML）。内容涵盖核心 AI 概念、AI 与生成式 AI（Generative AI）的影响与工作原

“AI 驱动”已经成了各类组织与产品最常用的形容词。夸张宣传当然不少，但确实有越来越多的公司希望利用自身数据，借助最新的 AI 进展做出有用的东西。就像“数字化转型”，AI 转型也是真实且正在发生的。

在第 1 章里，我们介绍了湖仓范式，并说明 Databricks 平台如何将数据存放在云对象存储中，并提供用于高效查询和 ACID 属性的优化层。第 3 章我们讨论了身份管理的概念，并简单触及了访问管

“技术；多用户计算机”（Technology; The Multi-User Computers） 《纽约时报》1984 年 8 月 23 日纸质版刊登了题为“Technology; The Mult