Maschinell übersetztes Thema Sie können zur englischen Version wechseln.
Die genaueste und aktuellste Version dieser Dokumentation finden Sie in der englischen (ursprünglichen) Version. IBM haftet nicht für Schäden oder Verluste, die durch die Verwendung automatisch (maschinell) übersetzter Inhalte entstehen.
Daten virtualisieren
Letzte Aktualisierung: 21. März 2025
Virtualisierung der Daten mit Datenvirtualisierung
Nutzen Sie den Data Virtualization service, um Daten aus verschiedenen Quellen einfach in einer einheitlichen Ansicht zusammenzuführen, ohne manuelle Änderungen, Datenverschiebungen oder Replikationen.
Der Data Virtualization ist ein Teil der Datenstruktur.
Übersicht
Copy link to section
Mit Data Virtualization können Sie über eine einzige semantische virtuelle Schicht auf physische Daten aus mehreren Quellen zugreifen. Diese virtuelle Ebene bedeutet, dass auf die Daten zugegriffen, sie bearbeitet und analysiert werden können, ohne dass ihr physisches Format oder ihr Speicherort bekannt sein muss und ohne dass sie verschoben oder kopiert werden müssen.
Data Virtualization ist Teil des Datengefüges.
Voraussetzungen
Copy link to section
Wenn Sie Ihre virtuellen Daten in einem verwalteten Katalog veröffentlichen möchten, müssen Sie IBM
Knowledge Catalog installieren. Weitere Informationen erhalten Sie unter IBM Knowledge Catalog oder Cloud Pak for Data.
erforderlicher Service
Data Virtualization.
Bevor Sie Ihre Daten virtualisieren können, müssen Sie eine Dienstinstanz von Data Virtualization in Cloud Pak for Data as a Service erstellen und bereitstellen. Weitere Informationen finden Sie unter Bereitstellung einer Service-Instanz für Data Virtualization.
Wenn Sie Ihre virtuellen Daten in einem verwalteten Katalog veröffentlichen möchten, müssen Sie IBM
Knowledge Catalog installieren. Weitere Informationen finden Sie unter "Data Governance ".
Data Virtualization verwendet Ihre " IBM
Cloud für die Verbindung mit dem Dienst. Sie müssen über bestimmte Rollen Data Virtualization verfügen, um bestimmte Aufgaben ausführen zu können. Weitere Informationen finden Sie unter "Verbindung zum und Authentifizierung beim Data Virtualization -Dienst ".
Einführung
Copy link to section
Um mit der Nutzung zu beginnen Data Virtualization, befolgen Sie diese allgemeinen Schritte:
Öffnen Sie den Data Virtualization dienst.
Wählen Sie im Navigationsmenü von Cloud Pak for Data"Data" > " Data virtualization " aus.
Fügen Sie Ihre Datenquellen zu Data Virtualization.
Navigieren Sie zur Seite "Datenquellen" und wählen Sie dann "Verbindung hinzufügen ", um Verbindungen hinzuzufügen. Data Virtualization unterstützt Dutzende relationaler und nicht-relationaler Datenquellen.
Virtualisieren Sie die Tabellen aus der Datenquelle.
Wählen Sie auf der Seite "Virtualisieren" die Tabellen aus, die Sie virtualisieren möchten, und wählen Sie dann "In den Warenkorb legen" > "Warenkorb anzeigen ", um die Tabellen zu virtualisieren.
Fügen Sie die Tabellen zusammen, um eine einheitliche Ansicht zu erstellen.
Wählen Sie auf der Seite "Virtualisierte Daten" die Tabellen aus, die Sie verknüpfen möchten, und wählen Sie dann "Verknüpfen ", um die Objekte zu verknüpfen.
Fragen Sie die virtuellen Objekte ab.
Navigieren Sie zur Seite "SQL ausführen ", um Ihre virtuellen Objekte mit dem integrierten SQL-Editor abzufragen.
Verwenden Sie die Daten mithilfe anderer Cloud Pak for Data -Dienste im Datengefüge.
Verwenden Sie virtuelle Tabellen in Projekten, Dashboards, Datenkatalogen und anderen Anwendungen. Weitere Informationen finden Sie unter Dashboard-Dienste.
Sehen Sie sich das folgende Video an, um einen Überblick über die Data Virtualization zu erhalten.
Dieses Video bietet eine visuelle Darstellung als Alternative zur schriftlichen Dokumentation.
Use this interactive map to learn about the relationships between your tasks, the tools you need, the services that provide the tools, and where you use the tools.
Select any task, tool, service, or workspace
You'll learn what you need, how to get it, and where to use it.
Some tools perform the same tasks but have different features and levels of automation.
Jupyter notebook editor
Prepare data
Visualize data
Build models
Deploy assets
Create a notebook in which you run Python, R, or Scala code to prepare, visualize, and analyze data, or build a model.
AutoAI
Build models
Automatically analyze your tabular data and generate candidate model pipelines customized for your predictive modeling problem.
SPSS Modeler
Prepare data
Visualize data
Build models
Create a visual flow that uses modeling algorithms to prepare data and build and train a model, using a guided approach to machine learning that doesn’t require coding.
Decision Optimization
Build models
Visualize data
Deploy assets
Create and manage scenarios to find the best solution to your optimization problem by comparing different combinations of your model, data, and solutions.
Data Refinery
Prepare data
Visualize data
Create a flow of ordered operations to cleanse and shape data. Visualize data to identify problems and discover insights.
Orchestration Pipelines
Prepare data
Build models
Deploy assets
Automate the model lifecycle, including preparing data, training models, and creating deployments.
RStudio
Prepare data
Build models
Deploy assets
Work with R notebooks and scripts in an integrated development environment.
Federated learning
Build models
Create a federated learning experiment to train a common model on a set of remote data sources. Share training results without sharing data.
Deployments
Deploy assets
Monitor models
Deploy and run your data science and AI solutions in a test or production environment.
Catalogs
Catalog data
Governance
Find and share your data and other assets.
Metadata import
Prepare data
Catalog data
Governance
Import asset metadata from a connection into a project or a catalog.
Metadata enrichment
Prepare data
Catalog data
Governance
Enrich imported asset metadata with business context, data profiling, and quality assessment.
Data quality rules
Prepare data
Governance
Measure and monitor the quality of your data.
Masking flow
Prepare data
Create and run masking flows to prepare copies of data assets that are masked by advanced data protection rules.
Governance
Governance
Create your business vocabulary to enrich assets and rules to protect data.
Data lineage
Governance
Track data movement and usage for transparency and determining data accuracy.
AI factsheet
Governance
Monitor models
Track AI models from request to production.
DataStage flow
Prepare data
Create a flow with a set of connectors and stages to transform and integrate data. Provide enriched and tailored information for your enterprise.
Data virtualization
Prepare data
Create a virtual table to segment or combine data from one or more tables.
OpenScale
Monitor models
Measure outcomes from your AI models and help ensure the fairness, explainability, and compliance of all your models.
Data replication
Prepare data
Replicate data to target systems with low latency, transactional integrity and optimized data capture.
Master data
Prepare data
Consolidate data from the disparate sources that fuel your business and establish a single, trusted, 360-degree view of your customers.
Services you can use
Services add features and tools to the platform.
watsonx.ai Studio
Develop powerful AI solutions with an integrated collaborative studio and industry-standard APIs and SDKs. Formerly known as Watson Studio.
watsonx.ai Runtime
Quickly build, run and manage generative AI and machine learning applications with built-in performance and scalability. Formerly known as Watson Machine Learning.
IBM Knowledge Catalog
Discover, profile, catalog, and share trusted data in your organization.
DataStage
Create ETL and data pipeline services for real-time, micro-batch, and batch data orchestration.
Data Virtualization
View, access, manipulate, and analyze your data without moving it.
Watson OpenScale
Monitor your AI models for bias, fairness, and trust with added transparency on how your AI models make decisions.
Data Replication
Provide efficient change data capture and near real-time data delivery with transactional integrity.
Match360 with Watson
Improve trust in AI pipelines by identifying duplicate records and providing reliable data about your customers, suppliers, or partners.
Manta Data Lineage
Increase data pipeline transparency so you can determine data accuracy throughout your models and systems.
Where you'll work
Collaborative workspaces contain tools for specific tasks.
Project
Where you work with data.
> Projects > View all projects
Catalog
Where you find and share assets.
> Catalogs > View all catalogs
Space
Where you deploy and run assets that are ready for testing or production.
> Deployments
Categories
Where you manage governance artifacts.
> Governance > Categories
Data virtualization
Where you virtualize data.
> Data > Data virtualization
Master data
Where you consolidate data into a 360 degree view.
Über den Einsatz von Cookies auf dieser WebsiteUnsere Websites benötigen einige Cookies, um ordnungsgemäß zu funktionieren (erforderlich). Darüber hinaus können mit Ihrer Zustimmung weitere Cookies verwendet werden, um die Nutzung der Website zu analysieren, die Benutzerfreundlichkeit zu verbessern und Werbung zu schalten.Weitere Informationen finden Sie in Ihren Cookie-Benutzervorgaben. Durch den Besuch unserer Website erklären Sie sich mit der Verarbeitung von Informationen einverstanden, wie in der IBMDatenschutzbestimmung beschrieben.Um eine reibungslose Navigation zu ermöglichen, werden Ihre Cookie-Präferenzen über die hier aufgeführten IBM Web-Domains hinweg gemeinsam genutzt.