Sinopse do Episódio "Querying Data with Trino from Earth to Space - Talk with Brian Olsen, a Developer Advocate at Starburst"

No episódio de hoje, Luan Moreno e Mateus Oliveira entrevistam Brian Olsen, atualmente Head of Developer Relations na Tabular.Trino é um produto open-source, para virtualizar os dados através de queries. Imagine uma engine de SQL capaz de consultar dados do Apache Kafka, Cloud Storage, Databases e diversas outras fontes de forma simples e extremamente eficaz. Com Trino, você tem os seguintes benefícios:Diversos conectores para múltiplas fontes de dadosGerar queries analytics de forma simples e eficazTrabalhar com modelos de Lakehouse como Iceberg e DeltaFalamos também neste bate-papo sobre os seguintes temas:História do TrinoCapacidades do TrinoRecursos avançados Novas featuresAdaptive Query ExecutionCasos de UsoAprenda mais sobre Trino, e como utilizar esta tecnologia para explorar os dados em diversas fontes diferentes, junto com um dos principais vozes da comunidade. Brian Olsen Luan Moreno = https://www.linkedin.com/in/luanmoreno/

Ouvir "Querying Data with Trino from Earth to Space - Talk with Brian Olsen, a Developer Advocate at Starburst"

Mais episódios do podcast Engenharia de Dados [Cast]

• O Dia a Dia de um Analytics Engineer com o Time de Dados da Clicksign
• O Dia a Dia de um Arquiteto e Engenheiro de Dados com o Time de Dados da Clicksign
• Data Analytics com o Time de Dados da Clicksign
• Desafios na Construção de uma Plataforma de Dados no Kubernetes com o Time do Orion
• Gestão & Produtos de Dados com o Time de Dados da Clicksign
• Challenge in Bulding an Open-Source Community with Aaron Williams
• O Desafio da Engenharia de Dados no iFood com o Diretor de ML e Engenharia, Ivan Lima
• The Data Lakehouse Paradigm with Bill Inmon - The Father of Data Warehouse
• Querying Data with Trino from Earth to Space - Talk with Brian Olsen, a Developer Advocate at Starburst
• A Day in a Life of a Founding Engineer at StarTree: Apache Pinot with Neha Pawar
• Simplificando Projetos de Analytics utilizando dbt e Modern Data Stack com Matheus Willian, Head of Data Engineering na One Way Solution
• Conferência Kafka Summit 2023 London
• Cloudera CDP & Stream Processing para Real-Time Analytics com André Araújo, Field Engineer, Data in Motion na Cloudera
• Connecting Data Engineering and ML to Build an Efficient End-to-End Data Product Flow with Aurimas Griciūnas
• Dremio & Iceberg for Building an Open-Source Data Lakehouse with Dipankar Mazumdar, Data Advocate at Dremio
• Simplify Data Engineering Projects in Your Lakehouse with Delta Lake Framework with Matthew Powers & Denny Lee, Developer Advocates at Databricks
• Spark on Kubernetes [SPOK] with Hudson Buzby, Solutions Architect at Spot.io
• SQLMesh | Streamlining Python & SQL Transformations with Tobias Mao, Co-Founder & CTO at Tobiko Data
• O Poder do Lineage de Dados com Lucas Galindo & Gabs Ferreira da Alvin
• Kafka on Kubernetes using Strimzi with Jakub Scholz, Senior Principal Software Engineer at Red Hat
• A Day in a Life of Data Engineer at Netflix with Xinran Waibel
• Mastering Apache Airflow with Marc Lamberti, Head of Customer Education at Astronomer
• ETL no Airflow de Forma Inteligente e Escalável usando Astro Python SDK com Tatiana Martins, Staff Software Engineer na Astronomer
• Databricks como Plataforma de Lakehouse para Times de Dados
• Confluent Community Catalysts Brazukas: Dissecando o Apache Kafka [Round 1]
• A Day in a Life of a Co-Founder, Commiter & PMC Member of Apache Flink with Timo Walther
• Harnessing The Power of Data Observability on Elementary for dbt Users with Maayan Salom
• Enabling User-Facing Analytics using Apache Pinot with Kishore Gopalakrishna
• A Day in a Life of a Director of Airflow Engineering with Kaxil Naik at Astronomer
• Conferência Microsoft Ignite 2022: Anúncios e Novidades
• Cube: Reshaping Business Intelligence for Data Engineers with a Headless BI Platform
• Dremio: The De-Facto Open Data Lakehouse Platform with Alex Merced, Developer Advocate at Dremio
• Bytewax: The Next Data Processing Framework Generation in Python
• A Day in a Life of a Field CTO at Confluent - Data in Motion with Kai Waehner
• Sistema de OLAP em Tempo Real: ClickHouse para Big Data e Queries Ad-Hoc
• Conferência Snowflake Summit 2022: Anúncios e Novidades por Mateus Oliveira
• Conferência Data+AI Summit 2022 da Databricks: Anúncios e Novidades por Luan Moreno
• O Desafio da Engenharia de Dados com Filipe Comparini, Head de Dados da LuizaLabs
• Apache Cassandra: O Banco de Dados NoSQL de Missão Crítica e Tempo-Real da Fortune 500
• O Desafio da Engenharia de Dados com Wellington C. Faria, Lead Analytics Engineer do NuBank
• Apache Pulsar: A Plataforma de Streaming Distribuída mais Completa do Mercado com Samuel Matioli
• Cloudera CDP: Plataforma de Cloud Híbrida para Dados
• Casos de Uso e Experiências de Campo com Apache Spark
• Big Data no Google GCP com Lucas Magalhães
• Big Data na Amazon AWS com Carlos Barbosa
• Big Data no Microsoft Azure com Vitor Henrique Mendes
• Casos de Uso e Experiência de Campo com Apache Kafka
• Apache Kafka é um Banco de Dados Relacional?
• Big Data no Kubernetes
• Delta Lake: Storage Engine Escalável para Construção de um Data Lakehouse
• Data Warehouse vs. Data Lakehouse - Casos de Uso e Comparações com Orlando Marley
• Postgres como Plataforma de Dados Estruturados e Semi-Estruturados com Raul Oliveira
• The Brighter Side of COVID-19 for Data Engineers [English Tips]
• Strimzi - Adding Intelligence on Your Kafka on Kubernetes Deployment with Jakub Scholz
• The Rise of Apache Airflow for Data Pipeline Orchestration with Marc Lamberti
• Carreira de Data Engineer Internacional
• Engines de Processamento de Big Data - [Python e SQL]
• Processamento de Dados com Apache Spark - Casos de Uso, Problemas Comuns e Melhores Práticas
• Integração de Dados com Kafka Connect no Kubernetes [Strimzi Operator]
• Dw vs. Data Lake vs. MDW vs. Data Lakehouse para Pipeline de Dados
• Azure Flagship Product - Synapse Analytics as De-Facto to Build Data Pipelines and Reliable [MDWs]
• YugaByteDB - Banco de Dados Distribuído com Consistência e Transações [ACID]
• Arquiteturas de Big Data - Lambda, Kappa e Layered [Camadas]
• Apache Kafka no Kubernetes [Strimzi Operator]