สรุป Google Cloud Platform สำหรับทำ Big Data และ Machine Learning: ตอน 2) Storage & Database

google cloud storage database services 2

Google Cloud Platform (GCP) เป็น Cloud อันดับ Top 3 ของโลกครับ จึงแนะนำมาก ๆ ให้คนที่อยากทำงานสาย Data ศึกษากันไว้ครับผม เพราะถ้าสนใจทำโปรเจค Data / Machine Learning / AI มีโอกาสได้เจอกับ Google Cloud แน่นอน

บทความนี้เป็นภาคต่อของ สรุปบริการ Google Cloud Platform สำหรับสาย Big Data ตอน 1) Compute นั่นเองครับ แนะนำให้อ่านตอนที่แล้วกันก่อน เพื่อจะได้รู้จัก Google Cloud อย่างเต็มที่

ในบทความนี้ เราจะมาพูดถึงบริการด้าน Storage & Database หรือ บริการที่เก็บข้อมูล กันบ้างครับ ซึ่ง Google Cloud มีทั้งบริการที่เก็บไฟล์ (Object Storage / Data Lake) และบริการฐานข้อมูลกับคลังข้อมูล (Database, Data Warehouse)

เพื่อให้ได้สาระที่สุด แนะนำให้อ่านบทความ Data Lake vs Database vs Data Warehouse ต่างกันยังไง ประกอบด้วยครับ จะเข้าใจแบบกระจ่างครับว่าแต่ละบริการมีหน้าที่อะไรบ้างในการทำงานกับ Data

ว่าแล้วก็มารู้จักกับบริการด้าน Storage ต่าง ๆ บน Google Cloud กันเลยครับ

ประกาศ: ตอนนี้ทาง DataTH เปิดสอน คอร์สติวเพื่อสอบ Certificate: Google Cloud Professional Data Engineer ครับ สอนโดยแอดเพิร์ธ แอดฝน (คนไทยที่เก็บ Certificate Google Cloud มากที่สุดเป็นอันดับต้น ๆ ของประเทศ) ถ้าสนใจสอบ Certificate ตัวนี้ มาเรียนด้วยกันนะคร้าบ :)


สารบัญเนื้อหา hide

Cloud Storage = บริการเก็บไฟล์ ราคาถูก และแข็งแกร่งดังหินผา

google cloud storage user interface
ตัวอย่างหน้าตาของ Google Cloud Storage จะเห็นว่าหน้าตาใช้งานง่ายมาก มีปุ่ม Upload File หรือจะอัพโหลดทั้งโฟลเดอร์ก็ยังได้

GCS หรือ Google Cloud Storage เป็นบริการเก็บไฟล์เหมือนกับเวลาเราใช้ Dropbox หรือ Google Drive นั่นเองครับ สร้างขึ้นมาเพื่อเก็บไฟล์แบบ Object Storage คือ เก็บทั้งไฟล์ เวลาจะใช้ก็ต้องดาวน์โหลดมาทั้งไฟล์ ไม่สามารถอ่านไฟล์แค่บางส่วนได้นั่นเอง

ความรู้เสริม:
ถ้าเป็นบริการ Filestore ที่จะพูดถึงอันต่อไป จะสามารถอ่านไฟล์แค่บางส่วนได้ หรือถ้าเป็นบริการฐานข้อมูล (Database) ต่าง ๆ ก็สามารถเลือกอ่านข้อมูลแค่บางแถว หรือถ้าเป็น Data Warehouse จะสามารถเลือกอ่านเฉพาะข้อมูลบางคอลัมน์ที่เราสนใจใช้เท่านั้นได้ ไม่ต้องอ่านทั้งไฟล์ครับ

อ่านถึงตรงนี้ อาจจะสงสัยว่างั้น GCS ก็เหมือน Dropbox หรือ Google Drive สิ? แล้วจะใช้ทำไม?

ถูกต้องส่วนหนึ่งครับ แต่ตัว GCS ถูกสร้างขึ้นมาด้วยจุดประสงค์ที่แตกต่างกันครับ อย่างบริการ Dropbox / Google Drive จะเน้นผู้ใช้ที่เป็นคนทำงาน เน้นเก็บไฟล์ส่วนตัว, หรือแชร์กันในทีม

แต่ GCS จะเน้นที่การใช้งานร่วมกับระบบอื่น ๆ มีการสร้างให้เชื่อมต่อกับบริการของ Google Cloud เป็นอย่างดี และยังเปิดให้เขียนโปรแกรมเข้าไปเชื่อมต่อได้ง่ายครับ

นอกจากนั้น ยังมีฟีเจอร์อื่น ๆ ที่การเก็บข้อมูลบนคอมพิวเตอร์ปกติให้ไม่ได้ ตัวอย่างฟีเจอร์เด็ด ๆ (ฟีเจอร์เค้ามีเยอะมาก และเพิ่มขึ้นเรื่อย ๆ ด้วย) เช่น:

  • Object Versioning – เก็บเวอร์ชั่นของไฟล์ได้ ทำให้มั่นใจได้ว่าทุกการเขียนทับไฟล์เดิม เราจะยังมี Backup ไว้เสมอ
  • Public Access – ทำให้เราสามารถแชร์ไฟล์กับคนอื่นด้วยลิงค์สาธารณะได้ เหมาะมากกรณีที่เราต้องการโฮสต์ไฟล์ไว้ในระบบกลางเพื่อให้คนในองค์กรมาโหลด แต่ไม่ควรเปิดข้อมูลที่มีข้อมูลบุคคลหรือความลับเป็น public access เช่น รูปบัตรประชาชน
  • Reliability – ไฟล์ที่เราเก็บไว้ทุกอัน มีการ Copy ไปเก็บไว้อย่างน้อย 2 อาคารที่ตั้งอยู่คนละที่กัน (ภาษา Google Cloud เรียกว่า 2 Availability Zones) ทำให้ถ้าอยู่ดี ๆ อาคารนึงปลั๊กหลุด ไฟไหม้ ไฟล์เราก็ไม่หายง่าย ๆ ครับ แต่ถ้าอยากให้ไฟล์เราหายยากยิ่งกว่านี้ ก็สามารถจ่ายเงินเพิ่มเพื่อให้ Google ก็อปไฟล์เราไปเก็บที่ประเทศอื่นได้ด้วย
  • Storage Classes – คิดราคาหลากหลายรูปแบบตามการใช้งาน ถ้าไฟล์ที่ใช้บ่อย ๆ (Standard storage) ก็จะเก็บค่าพื้นที่สูงหน่อย (สูงของเค้า คือ ประมาณ GB ละ 70 สตางค์ ต่อเดือนครับ ซึ่งถูกมากกกกก) ส่วนถ้าไฟล์ที่เราไม่ใช้บ่อย แต่อยากเก็บไว้เฉย ๆ เผื่อมีคนขอ ก็สามารถย้ายไปอยู่ Archive storage ซึ่งค่าเก็บไฟล์ 4 สตางค์ ต่อ GB ต่อเดือน เท่านั้นเอง

จะเห็นว่า ประโยชน์ของที่แท้จริงของ Cloud Storage คือ ราคาถูก ปลอดภัย และเชื่อมต่อระบบได้หลากหลายครับ

การใช้งาน Cloud Storage ในสาย Data Analytics

มีระบบจำนวนมากขึ้นเรื่อย ๆ ที่เลือกเก็บไฟล์ข้อมูลใน Cloud Storage แทนเก็บในบริการฐานข้อมูลต่าง ๆ (ซึ่งเดี๋ยวเราจะมีการพูดถึงบริการเหล่านี้ในหัวข้อต่อ ๆ ไปครับ) แล้วดึงไฟล์ข้อมูลเอามาประมวลผลเฉพาะที่ต้องใช้ เพราะค่าใช้จ่ายในการเก็บไฟล์ถูกมาก และความปลอดภัยสูงครับ

วีดิโอแนะนำบริการ Google Cloud Storage

ด้านล่างนี้เป็นวีดิโอสั้น ๆ 2 นาที ที่อธิบายบริการ Google Cloud Storage ครับ


Filestore = บริการเก็บไฟล์เหมือนอยู่บน Hard Drive อ่านเขียนไฟล์ได้รวดเร็ว

google filestore demo user interface
หน้าตาตอนสร้าง Filestore มันเหมือนกับการสร้าง Hard Disk นั่นเอง แค่เลือกว่าจะเอาเกรดไหน เอาพื้นที่เท่าไหร่ และจ่ายเงิน เสร็จ

บริการ Filestore เป็นบริการสำหรับเก็บไฟล์ที่เหมือนกับอยู่บน Hard Drive บนคอมพิวเตอร์ของเราเลยครับ จึงใช้กับการเชื่อมต่อกับระบบอื่น ๆ เช่น Compute Engine (อ่านเกี่ยวกับ Compute Engine ได้ใน บทความสรุป Google Cloud Platform ตอน 1 Compute)

ความแตกต่างของ Filestore กับ Cloud Storage ด้านบน คือ

  • หลักการทำงานของ Filestore จะคล้ายคลึงกับระบบเก็บไฟล์บนคอมพิวเตอร์ของเรา หรือเหมือนกับเป็นเครื่อง NAS (Network Attached Storage) ส่วน Cloud Storage จะเป็นบริการเก็บไฟล์แบบ Object Storage
  • ระบบไฟล์ของ Filesstore จะไม่ได้เป็น Object Storage ก็คือ Filestore จะอ่านเฉพาะบางส่วนของไฟล์ได้ ทำให้บริการ Filestore มีความเร็วในการทำงานต่าง ๆ กับไฟล์เหมือนอยู่บน Hard Drive เราเลย ซึ่งจะเร็วได้ในระดับเสี้ยววินาทีเลย (ถ้า Cloud Storage อาจจะใช้เวลาเป็นระดับวินาที)

จุดขายของ Filestore ที่ทำให้การเก็บไฟล์บนนี้ ดูน่าสนใจกว่าการเก็บไฟล์ใน Hard Drive บนเซิร์ฟเวอร์ที่ตั้งในบริษัท คือ ความสามารถด้าน Reliability ที่ไฟล์จะถูก Copy ไปเก็บไว้หลายที่โดยอัตโนมัติ ทำให้เชื่อถือได้ว่าไฟล์หายยากมาก

การใช้งาน Filestore ในสาย Data Analytics

อย่างไรก็ตาม เนื่องจากบริการ Filestore มีราคาสูงกว่า Cloud Storage ค่อนข้างมาก บริการในการวิเคราะห์ข้อมูลจึงไม่ค่อยได้ใช้ Filestore (บางคนอาจจะไม่รู้จักมาก่อนเลยว่ามีบริการนี้ ผมทำงานมา 2 ปีกว่าจะได้เจอ)

การทำ Data Analytics จึงนิยมใช้ Cloud Storage มากกว่าครับ ยกเว้นบางระบบที่ไม่รองรับจริง ๆ ก็สามารถดู Filestore เป็นทางออกได้

ระบบที่ต้องการ Filestore แทนที่จะเป็นแบบ Object Storage ก็เช่น SAP, ระบบเว็บไซต์ต่าง ๆ, หรือผมเคยเจอระบบ Data Analytics แบบที่ทำในบริษัท แล้วต้องใช้ Hard Drive ในเครื่องเพราะระบบเขียนมาแบบนั้น เลยต้องหาวิธีมาเชื่อมกับ Filestore T_T

วีดิโอแนะนำบริการ Filestore

สำหรับท่านที่สนใจในบริการ Filestore ด้านล่างนี้เป็นวีดิโอสั้น ๆ 1.5 นาที ที่อธิบายโดยทีม Google เองเลยครับ


Cloud SQL = บริการ Relational Database บน Cloud

google cloud sql user interface
หน้าตาหลังบ้านของบริการ Cloud SQL จะแสดงข้อมูลสำคัญครบ เช่น CPU, Memory ใช้เท่าไหร่

มาถึงบริการฐานข้อมูล (Database) ของ Google Cloud กันบ้างครับ บริการ Cloud SQL เป็นบริการฐานข้อมูลแบบ Relational Database (Relational Database = ฐานข้อมูลที่มีความสัมพันธ์ระหว่างตาราง และคอลัมน์ต่าง ๆ)

บริการ Cloud SQL รองรับทั้ง MySQL, PostgreSQL และ Microsoft SQL Server ครับ แปลว่าถ้าเราใช้บริการ Relational Database บนเซิร์ฟเวอร์ตั้งเองอยู่แล้ว การย้ายมาใช้บริการ Cloud SQL ก็ง่ายมากเลยครับ แถมไม่ต้องแก้ไขโค้ดที่เขียนเอาไว้อยู่แล้ว สำหรับ MySQL, PostgreSQL, SQL Server ก็ใช้งานเหมือนเดิม ไม่ต้องเปลี่ยนแปลงโค้ดเลย

สำหรับคนที่มีข้อสงสัยว่า “การใช้งาน Database บนเซิร์ฟเวอร์ที่ตั้งเอง กับ การใช้งาน Database บน Cloud แตกต่างกันตรงไหน?” จุดขายของบริการบน Cloud อยู่ที่ความสะดวกในการใช้งานนั่นเอง

  • ถ้าผมอยากได้ฐานข้อมูลออนไลน์ที่พร้อมใช้สัก 1 ตัว ก็สามารถกดปุ่มสร้างบน Cloud SQL ได้เลย
  • และการ Backup ข้อมูลต่าง ๆ บริการCloud SQL ก็จัดการให้อัตโนมัติ
  • ปรับเพิ่มลด spec ของ DB ได้ง่ายมาก และยังตั้งค่าเพิ่มเติมได้ ถ้าเลือกที่จะสร้างระบบ DB ที่มีความเสถียรสูงมาก เช่น เพิ่ม Read replica หรือ Failover
  • ถ้า Database เกิดล่มขึ้นมา เช่น มีคนเข้าใช้งานเยอะจนเกินไป เราสามารถเปิดใช้ฟีเจอร์ High Availability เพื่อให้บริการ Cloud SQL ก็สลับไปใช้ฐานข้อมูลตัวก็อปปี้ที่วางอยู่ในคนละที่แบบอัตโนมัติ

จะเห็นว่าบริการ Cloud SQL เกิดขึ้นมาเพื่อช่วยให้ชีวิตของเราง่ายขึ้นมาก คนที่ดูแลฐานข้อมูล เช่น อาชีพ Database Admin จะได้มีเวลาไปทำอย่างอื่นมากขึ้นครับ

นอกจากบริการ Cloud SQL แล้ว จะมีบริการที่เป็นฐานข้อมูลอีกตัวที่ไม่ได้ลงรายละเอียดในบทความนี้ ชื่อ Cloud Spanner ซึ่งเป็น Relational Database บน Google Cloud สำหรับระบบที่ต้องการใช้งานได้รวดเร็วทั่วโลก (Global) ครับ พรีเมี่ยมมาก แต่ราคาก็แรงตามฟีเจอร์เช่นกัน ถ้าสนใจแนะนำให้หาข้อมูลเพิ่มเติมได้เลยนะคร้าบ

การใช้งาน Cloud SQL ในสาย Data Analytics

บริการ Relational Database จะเหมาะกับระบบเว็บไซต์ หรือ Application มือถือ ที่เน้นการเขียนข้อมูลแบบรวดเร็วครับ

ในการทำงานสาย Data Analytics จะนิยมใช้บริการคลังข้อมูล (Data Warehouse) เช่น BigQuery ที่เราจะพูดถึงท้ายสุดของบทความนี้ มากกว่า เพราะจะเน้นการอ่านข้อมูลมากกว่าเขียน

อย่างไรก็ตาม เราสามารถนำ Relational Database มาใช้สำหรับทำงานด้าน Data Analytics ได้ในช่วงแรก ๆ ที่ข้อมูลยังไม่เยอะครับ ซึ่งหลายบริษัทก็เริ่มต้นจากการใช้บริการ Relational Database ก่อนจะย้ายไป Data Warehouse

วีดิโอแนะนำบริการ Cloud SQL

บริการ CloudSQL อันนี้ รู้จักไว้ ไม่เสียหายแน่นอนครับ อันนี้เป็นวีดิโออธิบาย Cloud SQL สั้น ๆ ใน 3 นาทีครับ


Firestore = บริการ NoSQL Document database บน Cloud

google cloud firestore distributed database
Google Cloud Firestore ข้อดี คือ เป็นฐานข้อมูลที่เชื่อมต่อได้ทั้งแอพ (รูปจากวีดิโอของ Google)

มาถึงบริการที่ชื่อคล้ายกับบริการ Filestore เหลือเกิน T_T แต่การใช้งานคนละเรื่องเลยครับ

Firestore เป็นบริการฐานข้อมูล NoSQL (ตรงข้ามกับ Relational Database คือ ไม่มีความสัมพันธ์ระหว่างตารางกับคอลัมน์) แบบ Document database ที่ได้รับความนิยมมากที่สุดตัวหนึ่งบน Google Cloud เลยครับ เพราะมันเร็วมากกก และรองรับข้อมูลได้เยอะมากกกก

ความรู้เสริม:
Google ซื้อบริษัทชื่อ Firebase ที่พัฒนาระบบ database ความเร็วสูง เน้นด้านการเชื่อมต่อกับระบบเว็บไซต์ และ Application มือถือไปในปี 2014 ก่อนหน้านี้ Firestore จึงใช้ได้บน platform ของ Firebase เท่านั้น และได้เพิ่มเข้ามาใน GCP ปี 2018

จุดเด่นของบริการนี้ คือ เราสามารถเขียนเว็บไซต์ หรือ Application มือถือ มาต่อเชื่อมกับระบบฐานข้อมูลของ Firestore แล้วเริ่มใช้งานได้เลย ไม่ต้องหาวิธีติดตั้งระบบฐานข้อมูลขึ้นมาเองให้ยุ่งยาก

นอกจากนั้น ระบบ Firestore ยังขยายตัวอัตโนมัติตามจำนวนผู้ใช้งานโดยที่เราไม่ต้องทำอะไรเลย ทำให้เหมาะมากโดยเฉพาะอย่างยิ่งสำหรับงานที่เราไม่รู้ว่าอยู่ ๆ จะมีคนเข้าใช้งานเยอะแบบก้าวกระโดดมั้ย (แต่ค่าใช้จ่ายก็สูงตามนะ)

ถ้าสนใจหาข้อมูลเพิ่มเติมเรื่องบริการ NoSQL จะมีบริการฐานข้อมูลแบบ NoSQL อีกตัวที่ไม่ได้พูดถึงในบทความนี้ ชื่อ Google Cloud Bigtable ครับ ที่เป็น database สำหรับการเก็บข้อมูลขนาดใหญ่ (ถ้าใครสนใจสอบ Google Cloud Professional Data Engineer จะเจอในข้อสอบแน่นอน) แนะนำให้ศึกษาเพิ่มเติมคร้าบ

การใช้งาน Firestore ในสาย Data Analytics

ในสาย Data Analytics จะไม่ค่อยเห็นการใช้งาน Firestore ครับ เนื่องจากงาน Data Analytics จะเน้นการอ่านข้อมูล ไม่ได้ต้องการการเขียนข้อมูลความเร็วสูง ซึ่งอันนั้นเป็นจุดเด่นของตัว Firestore ที่ระบบเว็บไซต์ และระบบ Application มือถือต้องการครับ

วีดิโอแนะนำบริการ Firestore

สำหรับท่านที่อยากศึกษาเพิ่มเติมเกี่ยวกับ Firestore อันนี้เป็นวีดิโอแนะนำบริการ Firestore ใน 2 นาทีครับผม


BigQuery = บริการ Data Warehouse ที่ช่วยให้การวิเคราะห์ข้อมูลเป็นเรื่องง่ายส์

google bigquery demo user interface
หน้าตาของบริการ BigQuery ดูเผิน ๆ เหมือนเป็นฐานข้อมูลที่เขียน SQL ดึงข้อมูลได้เฉย ๆ แต่ความจริงมันใช้วิเคราะห์ข้อมูลขนาดใหญ่ได้ไวมาก

มาถึงบริการที่เป็นพระเอกด้าน Data Analytics ของ Google Cloud ที่ดีขนาดที่เคยได้ยินว่ามีบริษัทยอมย้ายข้อมูลมา Google Cloud เพื่อใช้บริการนี้เลย

BigQuery เป็นบริการ Data Warehouse ที่ช่วยให้การวิเคราะห์ข้อมูลเป็นเรื่องง่าย รวดเร็ว และราคาสมเหตุสมผล สามารถเก็บข้อมูลได้ในระดับ PB (Petabyte = 1,000 TB) และวิเคราะห์ข้อมูลเหล่านี้ได้ในระดับวินาที

ในมุม Data Analyst ที่ต้องการวิเคราะห์ข้อมูล:

หน้าตา BigQuery เหมือนกับฐานข้อมูล Relational Database ทั่วไป ที่เขียนโค้ด SQL (ภาษาสำหรับดึงข้อมูล) แล้วได้ผลลัพธ์ออกมา จึงทำให้คนที่ต้องการวิเคราะห์ข้อมูลสามารถทำได้ง่ายมาก

จุดขายเพิ่มเติม คือ BigQuery ประมวลผลข้อมูลมหาศาลได้ไวมาก ๆ ถ้าเอา SQL นี้ไปใช้ใน Cloud SQL อาจจะใช้เวลาประมวลผลหลายนาที แต่ถ้าใช้ใน BigQuery อาจจะเหลือแค่หลักวินาที

ในมุมธุรกิจ:

BigQuery เป็นตัวเลือกที่น่าสนใจมาก เพราะคิดเงินค่าเก็บข้อมูลเท่าการเก็บใน Cloud Storage และคิดเงินตามจำนวนข้อมูลที่อ่านเท่านั้น ไม่คิดเป็นรายชั่วโมงเหมือนระบบ Data Warehouse ตัวอื่น ๆ

แปลว่าถ้ามีการใช้งานน้อย ก็แทบไม่เสียเงินเลย ส่วนถ้าใช้งานเยอะ ก็แปลว่าในองค์กรเราอาจจะได้ประโยชน์จากการทำ Data Analytics อย่างมาก ทำให้คุ้มเงินที่จ่ายไปครับ

ในมุมผู้ที่ดูแลระบบ:

BigQuery มีฟีเจอร์ที่ช่วยประหยัดแรงแบบการทำ Automatic Backup และการดึงข้อมูลเข้ามาใน BigQuery ได้จากหลากหลายช่องทาง ไม่ว่าจะเก็บไฟล์ไว้ใน Cloud Storage, ใช้บริการ BigQuery Data Transfer Service เพื่อนำเข้าข้อมูลจากแหล่งต่าง ๆ เช่น Amazon S3 / Google Ads / Youtube, หรือเขียนโปรแกรมส่งข้อมูลเข้ามาแบบ Real-time (เรียกว่าฟีเจอร์ Streaming Insert) ก็ทำได้

อย่างไรก็ตาม ฟีเจอร์ Streaming Insert ค่าใช้จ่ายแอบสูงพอมีข้อมูลเยอะ ๆ เลยไม่ค่อยแนะนำวิธีหลังครับ

การใช้งาน BigQuery ในสาย Data Analytics

ตามที่บอกไปข้างต้น ว่าสาย Data Analytics ใช้งาน BigQuery ได้เต็มที่มาก เพราะบริการนี้ถูกสร้างขึ้นมาสำหรับสิ่งนี้โดยเฉพาะเลยครับ

วีดิโอแนะนำบริการ BigQuery

สำหรับท่านที่อยากเจาะลึกเพิ่มเติมเกี่ยวกับบริการ BigQuery ลองดูวีดิโอแนะนำบริการ BigQuery ใน 3 นาทีอันนี้คร้าบ


แถมท้าย: สรุปบริการ GCP ด้านการเก็บข้อมูล ใช้ตัวไหนดี

บริการด้านบนเป็นบริการเด่น ๆ ด้าน Storage / Database ที่ Google Cloud ให้บริการครับ จะเห็นว่าขนาดไม่ได้ลิสต์มาให้หมด ยังมีบริการหลากหลายหมวดหมู่ให้เลือกเยอะแยะไปหมด

มาสรุปกันว่าควรใช้บริการด้าน Storage / Database ตัวไหน ตอนไหนดี:

  • ถ้าเราอยากเก็บไฟล์ ไม่ได้ต้องการเขียน-อ่านระดับเสี้ยววินาที เลือก Cloud Storage
  • ถ้าเราอยากเก็บไฟล์ แล้วต้องการเขียน-อ่านระดับเสี้ยววินาทีด้วย และจ่ายเพิ่มได้ เลือก Filestore
  • ถ้าเราอยากเก็บข้อมูล บนฐานข้อมูลที่รองรับ SQL เน้นการเขียนบ่อย ๆ (สำหรับการเขียนเว็บ / Application มือถือ) เลือก Cloud SQL
  • ถ้าเราอยากเก็บข้อมูล บนฐานข้อมูล โดยเฉพาะสำหรับแอปหรือเว็บไซต์ ที่เน้นการเขียนบ่อย ๆ รองรับข้อมูลปริมาณมาก และรวดเร็ว เลือก Firestore (ระวังสับสนกับ Filestore)
  • ถ้าเราอยากเก็บข้อมูล แบบ Data Warehouse สำหรับงาน Data Analytics เลือก Google BigQuery

เหมือนกับการเลือก Compute คือ ในโปรเจคหนึ่งเราไม่ได้จำเป็นต้องเลือกตัวใดตัวหนึ่ง แต่เลือกหลายตัวมาใช้งานร่วมกันเพื่อให้ตอบโจทย์ธุรกิจของเราได้ครับ

ในตอนต่อไป (ถ้าอยากอ่านกัน) ซึ่งเป็นตอนสุดท้ายของซีรีย์นี้ จะมาเล่าให้ฟังถึง บริการด้าน Machine Learning แบบต่าง ๆ ของ Google Cloud ครับ ซึ่งถือเป็นคีย์สำคัญในการทำงานกับ Data เลย เพราบริการต่าง ๆ ของ Google Cloud ด้าน ML / AI เก่งมาก หลายบริการรองรับภาษาไทยด้วย

ถ้าสนใจอ่านอยากอ่านตอนต่อไป คอมเม้นท์มาบอกในเพจ หรือใต้บทความนี้ได้เลยครับ จะได้รีบจัดให้ ไม่งั้นจะเหมือนตอนที่แล้วคือดองนานมากกว่าจะได้มาเขียน 555ถ้าชอบบทความนี้ รบกวนแชร์ให้เพื่อน ๆ และติดตามบทความใหม่ ๆ ได้ทั้งบน Facebook DataTH ของเรา และ Youtube Channel: DataTH คร้าบ แล้วเจอกันครับ :D

(บทความนี้ขอขอบคุณแอดฝน Kamolphan ที่มาช่วยรีวิวเนื้อหาด้วยครับ)

Leave a Reply

Your email address will not be published. Required fields are marked *

This site uses Akismet to reduce spam. Learn how your comment data is processed.

บทความที่เกี่ยวข้อง

เราใช้คุกกี้เพื่อพัฒนาประสิทธิภาพ และประสบการณ์ที่ดีในการใช้เว็บไซต์ของคุณ คุณสามารถศึกษารายละเอียดได้ที่ นโยบายความเป็นส่วนตัว และสามารถจัดการความเป็นส่วนตัวเองได้ของคุณได้เองโดยคลิกที่ ตั้งค่า

Privacy Preferences

คุณสามารถเลือกการตั้งค่าคุกกี้โดยเปิด/ปิด คุกกี้ในแต่ละประเภทได้ตามความต้องการ ยกเว้น คุกกี้ที่จำเป็น

Allow All
Manage Consent Preferences
  • Always Active

Save