Las bases de datos multimodales pretenden reducir la sobrecarga asociada al aprovisionamiento y mantenimiento de una base de datos diferente para cada modelo de datos. El enfoque tradicional de las bases de datos multimodal no consigue una verdadera interacción entre los distintos modelos: Una vez seleccionado un modelo de datos, es muy difícil acceder a un modelo diferente en la misma base de datos. Para resolver este problema, los usuarios suelen desarrollar una lógica independiente que se ejecuta fuera de la base de datos, ya sea en el nivel de la aplicación o en una infraestructura sin servidor, que actúa como unión entre los diferentes modelos de datos. Esta lógica, externa a la base de datos, crea una importante sobrecarga de ejecución y no puede satisfacer los requisitos actuales de experiencia instantánea.
Gracias a la arquitectura de módulos de Redis, Redis Enterprise resuelve este complejo problema, permitiendo que las operaciones multimodales entre módulos y las estructuras de datos centrales de Redis se ejecuten de forma totalmente programable y distribuida, manteniendo una latencia instantánea de menos de un milisegundo.
Permite las operaciones de estructura de datos entre módulos y núcleos de manera eficiente, con una latencia inferior a un milisegundo.
Programa cualquier lógica de base de datos que combine los módulos de Redis y las operaciones principales en Redis con RedisGears.
Migra fácilmente un conjunto de datos existente a una base de datos multimodal pura en Redis aplicando unos sencillos principios, sin cambiar la arquitectura de su base de datos.
Recibe y procesa millones de puntos de datos con marca de tiempo por segundo con una latencia mínima utilizando recursos mínimos.
Recopila datos de telemetría de múltiples dispositivos del IoT remotos, en las instalaciones, en cualquier nube o en el borde para obtener información basada en datos.
Obten información detallada sobre el estado de la infraestructura y las aplicaciones con integraciones en Prometheus, Grafana y Telegraf.
Aplica modelos de aprendizaje automático en tiempo real a cualquier dato en Redis para puntuar las transacciones, clasificar los datos y detectar cualquier actividad anómala, independientemente de su tamaño.
Hace posible el descubrimiento automatizado de patrones a través de grandes volúmenes de transacciones de streaming para eliminar los falsos positivos e identificar la actividad fraudulenta real.
Personaliza las experiencias ofreciendo contenido relevante al instante, basándote en las preferencias, tendencias e interacciones de los usuarios.
Enriquece la funcionalidad permitiendo que los módulos descubran e interactúen automáticamente con otros módulos, tales como RediSearch con RedisGraph para obtener datos de gráficos avanzados a nivel general.
Elimina la sobrecarga asociada al almacenamiento de múltiples copias de un conjunto de datos y evita las operaciones de copia en memoria.
