c/machine-learning
Modelli, dati, addestramento e valutazione.
Che cos'è Databricks Databricks è una piattaforma cloud integrata per l'elaborazione dati e l'intelligenza artificiale. Si basa su Apache Spark e aggiunge componenti proprietari (Delta Lake, Unity Catalog, MLflow) per creare un lakehouse unificato: dati grezzi, trasformati e modelli AI convivono nello stesso ambiente. Le funzionalità principali includono notebook collaborativi, job scheduler, data engineering, data science, machine learning e governance dei dati. Come iniziare Registrazione – visita https://databricks.com e scegli Free Edition (prova gratuita). Inserisci email aziendale o personale e conferma l'account. Creazione workspace – al primo accesso il sistema crea automaticamente un workspace con un cluster gestito. Notebook – dal menu Workspace crea un nuovo notebook (Python, Scala, SQL o R). Caricamento dati – usa il pannello Data per caricare un file CSV o collegare un bucket S3/ADLS. Esecuzione di una query – in un notebook SQL scrivi SELECT FROM mytable LIMIT 10; e premi Run. Salvataggio risultato – esporta il risultato in Delta Lake o in un file Parquet per il passo successivo del flusso di lavoro. Casi d'uso concreti Prezzi e piani Fonte: pagina prezzi ufficiale, verificata da Penzai il 13/11/2026. I prezzi possono cambiare: controlla sempre prima di acquistare. Vantaggi e limiti Vantaggi Scalabilità automatica su cloud (AWS, Azure, GCP). Ecosistema integrato (Spark, Delta Lake, MLflow, Unity Catalog). Collaborazione in tempo reale su notebook. Governance e sicurezza a livello di catalogo. Limiti Costo variabile legato al consumo di compute; difficile prevedere spese senza monitoraggio. Dipendenza dal cloud provider scelto. Curva di apprendimento per chi non conosce Spark. Non ideale per workload molto leggeri o per ambienti on‑premise senza cloud. Quando NON usarlo Progetti con budget estremamente limitato e carichi di lavoro minimi. Applicazioni che richiedono latenza ultra‑bassa (es. trading ad alta frequenza). Situazioni in cui è obbligatorio mantenere tutti i dati on‑premise per motivi normativi. Alternative Esistono soluzioni alternative per la gestione di dati e AI; alcune di esse sono più adatte a contesti on‑premise o a costi fissi. - Tableau AI di Salesforce: Analisi e visualizzazione dei dati con funzioni AI di Salesforce. Hex di Hex: Notebook e app di analisi dati con agente AI. Julius AI di Julius: Analisi dei dati e grafici chiedendo in linguaggio naturale. Dataiku di Dataiku: Piattaforma aziendale per data science, AI e agenti. Integrazioni e API Apache Spark (core engine) – supporto nativo per Python, Scala, SQL, R. Delta Lake – storage ACID per dati strutturati e semi‑strutturati. MLflow – tracking, packaging e deployment di modelli. Unity Catalog – governance centralizzata per dati e AI. REST API – gestione di workspace, cluster, job e secret scopes. JDBC/ODBC – connessione da strumenti BI (Tableau, Power BI, Looker). Kafka, Kinesis, Event Hubs – ingestion streaming. Per integrazioni non elencate o versioni più recenti, consultare la documentazione ufficiale di Databricks. GitHub, open source e skill Databricks rilascia componenti open source (Delta Lake, MLflow, Spark) su GitHub, ma non dispone di un repository ufficiale unico per la piattaforma. - dbeaver/dbeaver: Free universal database tool and SQL client (52.442 stelle, Java, licenza Apache-2.0) getredash/redash: Make Your Company Data Driven. Connect to any data source, easily visualize, dashboard and share your data. (28.887 stelle, TypeScript, licenza BSD-2-Clause) cube-js/cube: 📊 Cube Core is open-source semantic layer for AI, BI and embedded analytics (21.227 stelle, Rust) APIJSON/APIJSON: 🏆 Real-Time no-code, powerful and secure ORM 🚀 providing APIs and Docs without coding by Backend, and Frontend(Client) can customize response JSONs 🏆 实时 零代码… (18.391 stelle, Java) Canner/WrenAI: GenBI (Generative BI) for AI agents, an open-source, governed text-to-SQL through an open context layer that turns natural-language questions into trusted dashb… (18.295 stelle, Python) Dati GitHub al 17/11/2026. «Ufficiale» solo se il repository appartiene all'organizzazione del produttore. Skill da sviluppare Base: concetti di data lake, SQL, notebook, gestione di cluster Spark. Intermedio: Delta Lake, Structured Streaming, MLflow tracking. Avanzato: Unity Catalog, ottimizzazione di costi, CI/CD per notebook, deployment di modelli come servizi. Consigli e approfondimenti Attiva il cost monitoring di Databricks per evitare sorprese di fatturazione. Usa i cluster autoscaling per bilanciare performance e costi. Versiona i notebook con Git integration (se disponibile) o esportali periodicamente. Sfrutta le job clusters per eseguire pipeline batch isolate dal cluster di sviluppo. Partecipa ai Databricks Community Forums per best practice e template di pipeline. Domande per la community Quali pattern di ottimizzazione dei costi avete adottato su Databricks in ambienti di produzione? Come gestite la governance dei dati (accessi, lineage) con Unity Catalog? Avete integrato Databricks con strumenti di CI/CD? Quali difficoltà avete incontrato?
Che cos'è Tableau AI Tableau AI è l'insieme di funzionalità di intelligenza artificiale integrate in Tableau, la piattaforma di visualizzazione e analisi dati di Salesforce. Consente di sfruttare modelli di machine learning pre‑addestrati per: Generare insight automatici (Explain Data, Ask Data). Previsioni di serie temporali. Raccomandazioni di visualizzazioni. Analisi di anomalie. Le funzioni sono disponibili sia in Tableau Desktop che in Tableau Server/Online, senza necessità di installare componenti aggiuntivi. Come iniziare Creare un account Tableau – Registrati su https://tableau.com e scegli il piano più adatto (trial gratuito disponibile). Installare Tableau Desktop (o usare Tableau Online) e accedere con le credenziali Salesforce. Collegare la fonte dati – Usa un connettore (Excel, CSV, database SQL, Snowflake, BigQuery, ecc.). Attivare le funzionalità AI: Ask Data: digita una domanda in linguaggio naturale nella barra laterale. Explain Data: seleziona un punto del grafico e scegli “Explain” per ottenere cause probabili. Forecast: aggiungi una previsione alla visualizzazione di serie temporali. Salvare e condividere – Pubblica il workbook su Tableau Server/Online per consentire a colleghi di interagire. Casi d'uso concreti Prezzi e piani Fonte: pagina prezzi ufficiale, verificata da Penzai il 13/11/2026. I prezzi possono cambiare: controlla sempre prima di acquistare. Vantaggi e limiti Vantaggi Integrazione nativa con l'ecosistema Salesforce. Nessuna necessità di data scientist per ottenere insight di base. Interfaccia drag‑and‑drop familiare per gli utenti Tableau. Limiti Le funzionalità AI sono disponibili solo nelle licenze a pagamento (Tableau Creator/Explorer). Personalizzazione dei modelli limitata rispetto a soluzioni di data science dedicate. Non adatto per dataset estremamente grandi (>10 M di righe) senza adeguata infrastruttura. Alternative Esistono diverse soluzioni di BI con funzionalità AI integrate. - Databricks di Databricks: Piattaforma dati e AI per aziende, con modelli e agenti sui dati. Hex di Hex: Notebook e app di analisi dati con agente AI. Julius AI di Julius: Analisi dei dati e grafici chiedendo in linguaggio naturale. Dataiku di Dataiku: Piattaforma aziendale per data science, AI e agenti. Integrazioni e API Le integrazioni ufficiali includono connettori per Salesforce CRM, Snowflake, Google BigQuery, Microsoft SQL Server, e file flat (CSV, Excel). Per l’elenco completo e le ultime integrazioni consultare la documentazione sul sito ufficiale. API disponibili Tableau REST API: gestione di risorse (workbooks, utenti, permessi). Tableau Server Client (Python): wrapper Python per la REST API. Web Data Connector (WDC): consente di collegare fonti dati web personalizzate. GitHub, open source e skill Non è presente un repository GitHub ufficiale per Tableau AI. - TomerMoskov/tableau-ai-skill: senza descrizione (14 stelle, Python, licenza MIT) meet-afk/Tableau-Airbnb-Data-Analysis: This project explores Airbnb listings using Tableau to visualize key metrics such as price distribution, listing availability, host activity, and neighborhood t… (3 stelle, licenza MIT) starschema/tableau-ai-use-cases: Code repository for the Five Ways to Leverage AI and Tableau Webinar (3 stelle, Jupyter Notebook) abbibr/tableauAirBnb: AirBnb Tableua Full Project (1 stelle) Prince-git17/Tableauairbnb: This includes the booking data of airbnb throughout the year 2016. I have used this data to create a dashboard for the given data and gain useful insights from … (1 stelle) Dati GitHub al 17/11/2026. «Ufficiale» solo se il repository appartiene all'organizzazione del produttore. Skill da sviluppare Base: Tableau Desktop, Tableau Prep, concetti di visualizzazione dati. Intermedio: utilizzo di Ask Data, Explain Data, creazione di forecast. Avanzato: scripting con Tableau Server Client (Python), integrazione via REST API, ottimizzazione delle performance di query. Consigli e approfondimenti Inizia con dataset puliti e ben modellati; l’AI di Tableau è più efficace su dati di qualità. Usa Explain Data per verificare ipotesi prima di approfondire con analisi più complesse. Sfrutta le versioni di prova per valutare la copertura delle funzionalità AI rispetto ai requisiti aziendali. Monitora i costi di licenza e valuta se la combinazione Tableau + Salesforce copre già le esigenze di analytics, evitando strumenti aggiuntivi. Domande per la community Quale funzionalità AI di Tableau ha portato il maggior valore nella tua organizzazione? Hai incontrato difficoltà nell’integrazione di Tableau AI con fonti dati on‑premise? Quali best practice segui per garantire la qualità dei dati prima di utilizzare Explain Data?