现代企业的需求和要求正在以戏剧性的方式转变。因此，旧的“批处理”模式(每天一次大的更新，查询速度慢)正在让位于更细化、更高频率的实时更新(每秒多次更新，查询速度快)，从而带来更新鲜的数据和更快的洞察力。
除了分析性的洞察力，实时数据基础设施正在促成一类新的应用，可以在数据发生变化时做出反应。这涉及到数据堆栈的每一个部分，从数据摄取，到业务分析，到机器学习和人工智能。
随着用例的发展，支持它们的基础架构也在不断发展。走向实时并不是调整旧数据系统那么简单，在许多情况下，基础设施已经从头开始重写，以实现实时工作负载。
在现代数据栈中，实时基础设施和工具可以采取多种形式：
- 以高频率和高容量将小数据包从A处流向B处(例如：Apache Kafka、Redpanda、Apache Pulsar)。
- 通过流处理工具过滤和转换对流数据(例如：Apache Flink、Apache Samza、Decodable)。
- 实时分析，让分析师在低延迟的情况下获得对业务查询的最新反馈(例如：Materialize、ClickHouse、Tinybird)。
- 实时或在线机器学习模型，不断适应和学习数据，并实时生成预测(例如：Tecton)。
今天，将这些不同的系统组合起来仍然是是一件棘手的事情。但是，进行这些投资的组织将获得丰厚的回报，主要是实现传说中的“实时企业”，成为一个能够感知和应对其业务中发生的事件和变化的组织。
对实时性感兴趣但又在寻找灵感？少数下一代组织已经成为早期采用者，并为新加入者开辟了采用路径。
我最喜欢的一些大规模实时数据基础设施的案例研究包括：
- Netflix：在七年的时间里，Netflix将其流数据的使用案例从0增加到2000多个，同时在数据摄取、移动、分析和运营处理以及机器学习方面建立了实时能力。今天，Netflix的实时基础设施每天处理数十万亿次的事件。
- Uber：Uber的实时基础设施每天产生多个PB级的数据和数万亿条信息，这些数据持续不断从Uber司机、乘客和其他用户那里收集而来。Uber的移动应用、内部仪表盘、机器学习模型和临时数据探索工具都有实时用例。
现在是实时的时代，这场革命发生得比你想象的要快。眨眼间，你可能会错过它。
