English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Zendy Plus

Presents the zaia usage as premium feature

ZAIA

Presents the pdf analysis as premium feature

PDF Analysis

Insights

Presents the summarisation as premium feature

Summarisation

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the access of premium content as premium feature

Premium Content

Zendy Tools

Zendy Open

De nombreuses entreprises utilisent l'application MapReduce pour le traitement de donnees massives. L'optimisation statique de telles applications est complexe car elles reposent sur des operations definies par l'utilisateur, appelees map et reduce, ce qui empeche une optimisation algebrique. Afin d'optimiser l'allocation des tâches, plusieurs systemes collectent des donnees a partir des executions precedentes et predisent les performances en faisant une analyse de la tâche. Cependant, ces systemes ne sont pas efficaces durant la phase d'apprentissage ou lorsqu'un nouveau type de tâches ou de donnees apparait. Dans ce papier, nous presentons un systeme multi-agents adaptatif pour l'analyse de donnees massives avec MapReduce. Nous ne pre-traitons pas les donnees et adoptons une approche dynamique ou les agents reducers interagissent durant l'execution. Nous proposons une re-allocation des tâches basee sur la negociation pour parvenir a faire decroitre la charge de travail du plus charge des agents reducers et ainsi reduire le temps d'execution.

Allocation équitable de tâches pour l’analyse de données massives