Une scientifique des données a besoin de plus de puissance de calcul pour créer des ensembles de données étiquetées à partir de grandes quantités de données dans Google Cloud Storage et Cassandra, ainsi que des visualisations. Quelle solution l'aiderait le plus ?

Déployer Google Cloud Datalab sur une machine virtuelle (VM) sur Google Compute Engine est la solution la plus appropriée car Datalab est un environnement interactif basé sur Jupyter qui intègre nativement les services Google Cloud, tels que Cloud Storage et BigQuery (qui peut interagir avec Cassandra via des connecteurs). Il permet l'exploration de données, l'analyse, le développement de modèles et la création de visualisations, tout en bénéficiant de la puissance de calcul évolutive de Compute Engine. Exécuter Jupyter localement serait insuffisant pour de grandes quantités de données. Google Cloud Shell offre un environnement de ligne de commande, pas un environnement de développement interactif pour la science des données. Héberger un outil de visualisation seul ne répond pas au besoin de traitement des données et de création d'ensembles de données étiquetées.