آموزش معماری لیک‌هوس (Lakehouse) برای پلتفرم‌های داده مبتنی بر هوش مصنوعی - آخرین آپدیت

خوش‌آمدگویی به دوره Welcome to the Course

• ویدیو خوش‌آمدگویی Welcome Video

نیازمندی‌ها، SLOهای محصول داده و سبک‌سنگین کردن‌های معماری Requirements, Data Product SLOs, and Architecture Tradeoffs

• چرا بارهای کاری هوش مصنوعی نیازمندی‌های لیک‌هوس را تغییر می‌دهند Why AI Workloads Change Lakehouse Requirements

• از نیازهای کسب‌وکار تا SLOهای محصول داده From Business Needs to Data Product SLOs

• مقایسه لیک‌هوس در مقابل انبار داده و دریاچه داده برای بارهای کاری AI Lakehouse vs Warehouse vs Lake for AI Workloads

• محصولات داده چندوجهی و نیازمندی‌های بازتولیدپذیری Multimodal Data Products and Reproducibility Requirements

فرمت‌های جدول، سفر در زمان و سبک‌سنگین کردن‌های پلتفرم Table Formats, Time Travel, and Platform Tradeoffs

• چرا فرمت‌های جدول برای لیک‌هوس‌های AI-native اهمیت دارند Why Table Formats Matter for AI-Native Lakehouses

• مقایسه Delta Lake، Apache Iceberg و Apache Hudi Comparing Delta Lake, Apache Iceberg, and Apache Hudi

• سفر در زمان، اسنپ‌شات‌ها و مجموعه‌داده‌های هوش مصنوعی بازتولیدپذیر Time Travel, Snapshots, and Reproducible AI Datasets

• بازگشت (Rollback)، یکپارچه‌سازی کاتالوگ و عملیات پلتفرم Rollback, Catalog Integration, and Platform Operations

ماژول ۳: تکامل شما، نگهداری و گردش‌کارهای حذف Module 3: Schema Evolution, Retention, and Deletion Workflows

• چرا تکامل شما (Schema Evolution) برای لیک‌هوس‌های AI-native مهم است Why Schema Evolution Matters for AI-Native Lakehouses

• طراحی گردش‌کارهای تغییر شما و مسیرهای تأیید Designing Schema Change Workflows and Approval Paths

• نگهداری، وضعیت‌های چرخه حیات و سبک‌سنگین کردن‌های بازتولیدپذیری Retention, Lifecycle States, and Reproducibility Tradeoffs

• الگوهای حذف مطابق با قوانین و پیامدهای حذف در پایگاه داده‌های برداری Compliance-Aware Erase Patterns and Vector Delete Implications

معماری ورود داده: دسته‌ای، CDC، استریمینگ و بازپخش Ingestion Architecture: Batch, CDC, Streaming, and Replay

• از سیستم‌های منبع تا محصولات داده لیک‌هوس آماده برای هوش مصنوعی From Source Systems to AI-Ready Lakehouse Data Products

• انتخاب بین ورود داده‌ای دسته‌ای، CDC، استریمینگ و رویداد-محور Choosing Between Batch, CDC, Streaming, and Event-Driven Ingestion

• بازپخش، پر کردن داده‌های قدیمی (Backfills)، توانی‌بودن (Idempotency) و داده‌های دیررس Replay, Backfills, Idempotency, and Late-Arriving Data

• گیت‌های اعتبارسنجی پیش از مصرف در هوش مصنوعی Validation Gates Before AI Consumption

تدارک، ارکستراسیون، نظارت‌پذیری و SLOهای هزینه Provisioning, Orchestration, Observability, and Cost SLOs

• تدارک منابع پردازشی برای بارهای کاری لیک‌هوس AI-native Provisioning Compute for AI-Native Lakehouse Workloads

• الگوهای ارکستراسیون برای خط لوله‌های (Pipelines) قابل اعتماد لیک‌هوس Orchestration Patterns for Reliable Lakehouse Pipelines

• سیگنال‌های نظارت‌پذیری: سلامت خط لوله، داده و فشرده‌سازی Observability Signals: Pipeline, Data, and Compaction Health

• سیستم هشدار، SLOهای هزینه و دستورالعمل‌های عملیاتی (Runbooks) Alerting, Cost SLOs, and Operational Runbooks

حاکمیت، امنیت، گیت‌های CI و پروژه دوره Governance, Security, CI Gates, and Course Project

• حاکمیت داده به عنوان سیستم‌عامل برای لیک‌هوس‌های هوش مصنوعی Governance as an Operating System for AI Lakehouses

• ردیابی происхождение (Lineage)، لاگ‌های حسابرسی و کنترل دسترسی برای محصولات داده AI Lineage, Audit Logs, and Access Control for AI Data Products

• گیت‌های CI برای حاکمیت لیک‌هوس CI Gates for Lakehouse Governance

• ارائه یک معماری لیک‌هوس تحت نظارت Presenting a Governed Lakehouse Architecture

خلاصه دوره Course Summary

• جمع‌بندی نهایی Wrap up

آزمون نهایی Final Exam