資料庫與資料分析

為什麼要選擇 Intel 來執行資料庫？

Intel 是企業資料中心中的知名實體，在關鍵任務資料庫工作負載擁有強大的安裝基礎，並在領導與創新方面享有極高聲譽。 Intel Xeon 處理器已例行提供滿足企業 SLA 並產生有競爭力的業務成果所必需的應用程式效能，具備領先的可靠性、可用性與服務性 (RAS) 功能，可最大限度地提升資料庫可用性、系統正常運行時間與效率。 Intel 擁有成熟且穩健的夥伴生態系統，涵蓋邊緣到雲端、深層軟體最佳化，以及業界領先的資料安全技術，能夠滿足現代企業不斷成長且日新月異的需求。

進一步瞭解 Intel 為何是您理想的基礎架構夥伴

進一步瞭解 Intel Xeon 6 處理器的 AI 就緒 RAS 功能

Intel Xeon 資料庫優勢

Intel Xeon 處理器非常適合要求嚴苛的資料庫工作負載。 其大型 L3 快取、對海量 DDR5 RAM 的支援，以及錯誤修正程式碼 (ECC) 記憶體，確保企業微軟 SQL Server、線上交易處理 (OLTP) 環境，以及記憶體內分析，能享有高輸送量、低延遲與堅如磐石的資料完整性。

最新款Intel Xeon 6 處理器在2 插槽系統上實現獨特且差異化的功能，包含大容量記憶體支援（最高 8TB）、Intel® Flat Memory Mode、Compute Express Link (CXL) 的硬體型記憶體分層、以及Multiplexed Rank Dual In-line Memory Module (MRDIMM)所提升的記憶體頻寬功能，讓企業能夠加速資料庫工作負載。 此外，像 Intel® QuickAssist Technology (Intel® QAT) 與 Intel® In-Memory Analytics Accelerator (Intel® IAA) 這樣的硬體加速器，卸載資料壓縮與加密等運算密集型任務，從而釋放 CPU 週期，讓業務關鍵型工作負載的執行更快速、更高效，且可能更省電。 同樣，Intel® Scalable Vector Search (Intel® SVS) 等軟體庫可讓向量資料庫功能經過最佳化，在 AI 推論流程內提供顯著效能優勢。

進一步瞭解 Intel Xeon 處理器為何是資料庫工作負載的理想選擇。

由於 Intel Xeon CPU 已經是企業基礎架構的基石，企業現在可以使用 Intel Xeon 6 更新硬體，並為 AI 就緒的資料中心提供動力——不僅能提供效能與伺服器整合以減少物理與碳足跡、降低電力與冷卻 (OpEx) 成本，還能節省基於核心的軟體授權成本。

最新款 Intel Xeon 處理器讓企業能夠打造一個能高效運行當前與未來工作負載的環境，使其更具競爭力、更敏捷，並能更快速地回應變化。

瞭解 Intel IT 如何透過第 5 代 Intel® Xeon® 處理器降低商業軟體授權成本。

全球夥伴生態系統產品選擇，實現部署多功能性：無論企業將資料庫部署在何處（內部部署、雲端、混合雲端，還是多雲端環境），Intel 與 CSP、OEM、全球與全國系統整合商，以及組裝商的夥伴關係，為您的基礎架構需求提供多項選擇。

資料分析是什麼？

資料分析運用機器學習 (ML) 與深度學習 (DL) 等 AI 技術，將結構化、半結構化與非結構化資料轉化為商業智慧 (BI)。

資料量呈指數級成長至 PB 甚至更高規模，持續對企業構成挑戰，即使是擁有穩健分析基礎架構的企業亦然。資料來源的數量與類型與日俱增，導致用於收集與處理資料的系統更為分散，稱為資料孤島。 為了跟上技術步伐，企業需要更快分析資料，資料分析師也必須持續精進技能，否則恐會錯失寶貴的深入解析。

如今，基於 ML 與 DL 的 AI 推論演算法、代理型 AI，以及強大的運算功能，為企業提供基礎，從不斷成長的資料集中收集、分析及擷取深入解析，推動有意義的競爭優勢。 AI 協助傳統資料分析工作流程中的關鍵步驟自動化，促進每一步都獲得更優異的效果。 相較於單靠人類作業員，它也可以協助分析師更深入地解析，並辨識資料中更複雜的模式。

資料管道

典型的資料管道包括三個階段。 每個階段都有助於將原始資料轉化為可用的深入見解、預測或建議。

1. 資料輸入、預先處理與探索

資料從多種來源進入管道，包括：

• 客戶互動
• 社群媒體
• 智慧裝置與感應器
• 音訊、影片、影像和其他多媒體
  

這些資料可能是結構化或非結構化：

• 結構化資料採用預先定義的格式，例如試算表中的數值。
• 非結構化資料包括無法整齊放置在列與欄中的內容，例如手寫筆記、音訊檔案、影像或影片。
  

收集後，資料必須準備好進行分析與建模。 兩種常見方法是：

• ELT — 提取、載入、轉換：先載入資料，再根據需要進行結構化。
• ETL — 提取、轉換、載入：資料在加載使用前會先被清理與轉換。
  

資料整理後，資料科學家會使用統計、視覺化及 AI 型工具進行進一步探索。 此步驟有助於揭示模式、識別關係、定位異常值，以及瞭解數值在資料集中的分佈情況。

2. 模型選擇與訓練

接下來，資料科學家會選擇最適合業務目標、可用資料，以及運算能力的 AI 模型或演算法。 常見技術包括迴歸分析、叢集分析、隨機森林，以及其他機器學習方法。

選取的模型則為：

• 使用相關業務資料與參數，從頭開始訓練。
• 從現有的基礎模型微調，加速開發。
  

微調通常比從頭開始建置模型更快速也更簡單，有助於團隊簡化開發並加速部署。

3. 生產部署

在最後階段，訓練的模型會被部署到新資料，以生成以下內容：

• 分類
• 預測
• 建議
  

這些輸出可提供給使用者、應用程式或其他系統。 隨著時間的推移，模型可被監控、最佳化與精煉，以提升深入解析的品質與相關性。

進階分析解決方案與巨量資料

資料分析通常會先使用傳統方法，協助企業瞭解已發生的事件與原因。 更進階的分析方法在此基礎上，可預測接下來可能發生的情況，並推薦所採取的應對措施。

智慧裝置與連網系統的發展，大幅提升企業收集的資料之數量、速度與種類。

這些大型資料集，通常稱為「巨量資料」，

• 非結構化或半結構化
• 大量生成
• 即時生成
• 由多種不同的格式與資料類型所組成
  

這就需要強大的運算資源，能夠快速處理資料，並將其轉化為有用的業務深入解析。

常見使用案例

企業使用進階分析解決方案，支援高要求的巨量資料工作負載，包括：

• 詐騙偵測
• 情緒分析
• 工業設備的預測性維護
  

隨著 AI 採用率日益成長，資料分析也持續發展。 AI 強化的分析可協助組織移動更快、發現更深入的洞察，並從日益複雜的資料集中做出更明智的決策。