Ang mga modernong mga application ay naging mas dynamic, mas intelligent, at mas real-time. Dashboards update sa pag-input telemetry. Ang mga sistema ng monitoring ay tumugon sa pagbabago ng mga baseline. Ang mga agensya ay gumawa ng mga decision sa konteksto, hindi sa isolation. Ang bawat isa ay depende sa parehong pangunahing kinakailangan: ang kakayahan ng pag-unify ng live events sa mataas na historical na estado. Gayunpaman, ang mga data ay palaging fragmented. Ang mga sistema ng operasyon, na binuo sa Postgres, ay nagtatrabaho sa pagsasama at paghahatid. Ang mga sistema ng analytics, na binuo sa lakehouse, ay nagtatrabaho sa enrichment at pag-modeling. I-connect ang mga ito ay nangangahulugan ng paghahatid ng mga stream, pipelines, at custom jobs - ang bawat nagtatrabaho ng latency, brakingness, at gastos. Ang resulta ay isang patchwork ng mga sistema na nagtatrabaho sa paghahatid ng buong picture, halos gawin ito sa real-time. Hindi mo maaaring maghahatid ng mga real-time dashboards na may historical depth o ground agents sa freshly operational context kapag ang data ay split sa pamamagitan ng disenyo. Ang architectural gap na ito ay hindi pa rin sustainable. Ngayon sa public beta, inilathala ito ng isang bagong data loop - continuous, bidirectional, at malapit na integrated - sa pagitan ng Postgres at ang lakehouse. Ito simplises ang stack, preserves open formats, at ibinibigay ng operational at analytical context sa parehong sistema. Tungkol sa Lake Tiger Tungkol sa Lake Tiger Paglalarawan ng Tiger Lake: Real-Time Data, Full-Context Systems Tiger Lake ay binubuo ng pangangailangan para sa mga external pipelines, kompleksong orchestration frameworks, at proprietary middleware. Ito ay binubuo sa Tiger Cloud at integrated sa Tiger Postgres, ang aming produksyon-grade Postgres engine para sa transaksyonal, analytical, at agentic workloads. Ang architecture ay gumagamit ng open standards mula sa katapusan hanggang sa katapusan: Apache Iceberg tables sa Amazon S3 Tables para sa integration ng lakehouse Kontinuous replication mula sa Postgres tables o hypertables sa Iceberg Streaming ingestion back sa Postgres para sa low-latency serving at operations Pushing down queries mula sa Postgres sa Iceberg para sa efficient rollups Ang mga kapangyarihan na ito ay binubuo sa. Ano ang nangangailangan ng mga trabaho Flink, DAG schedulers, at custom glue ngayon ay gumagana natively. Streaming behavior at schema compatibility ay dinisenyo sa sistema mula sa simula. Upang malaman kung paano Tiger Lake reshapes data architecture, ito ay tumutulong sa at tingnan kung paano ito ay binuo kapag ang real-time context ay naging isang core design principle. Subukan ang Medallion Model Subukan ang Medallion Model Maaari mong makita ito bilang isang : operational medallion architecture Bronze: Raw data land sa Iceberg-backed S3. Silver: Ang mga pulis at validated data ay replicated sa Postgres. Gold: Ang mga aggregate ay inilathala sa Postgres para sa paghahatid sa real-time, pagkatapos ay inilathala sa Iceberg para sa pag-analysis ng feature. Ang mga tradisyonal na Bronze-Silver-Gold workflows ay binuo para sa batch systems. Tiger Lake ay nagbibigay ng isang continuous flow kung saan ang enrichment at paghahatid ay dumating sa real-time. Ang pagbabago na ito ay nagbibigay ng isang overly complex pipeline sa isang dynamic at mas simpleng data loop sa real-time. konteksto at data ay lumabas libreng sa pagitan ng mga sistema. Operational at analytical layers magkakaroon ng koneksyon nang walang redundant jobs o duplicated infrastructure. Ang lahat ng data ay magkakaroon ng native, up-to-date, at i-queryable sa standard SQL. Ang Tiger Lake ay sumusuporta sa isang single writing path na naghahatid ng mga aplikasyon sa real-time, dashboards, at ang lakehouse, gamit ang architecture na ang pinakamahusay na tumutulong sa developer. Ang mga gumagamit ay maaaring i-script ang data sa Postgres, pagkatapos ay may mga katangian na data at rollups na automatically sinynchronized sa kanilang lakehouse; sa katangian, ang mga gumagamit na mag-alim ng raw data sa lakehouse ay maaaring automatically i-take ito sa Postgres para sa operasyonal na paghahatid. Ngayon, ang mga application ay maaaring mapagkukunan sa buong ngayon at pagkatapos - walang orchestration code o synchronization overhead. "Napatakbo namin ang Kafka, Flink, at custom code upang i-stream ang data mula sa Postgres sa Iceberg. Ito ay gumagana, ngunit ito ay brittle at high-maintenance," sabi ni Kevin Otten, Director ng Technical Architecture sa Speedcast. "Ang Tiger Lake ay bumubuo ng lahat ng ito sa native infrastructure. Ito ay ang arkitektura na gusto namin mula sa unang araw." "Napatakbo namin ang Kafka, Flink, at custom code upang i-stream ang data mula sa Postgres sa Iceberg. Ito ay gumagana, ngunit ito ay brittle at high-maintenance," sabi ni Kevin Otten, Director ng Technical Architecture sa Speedcast. sabi ni Kevin Otten, Director ng Technical Architecture sa Speedcast. "Ang Tiger Lake ay bumubuo ng lahat ng ito sa native infrastructure. Ito ay ang arkitektura na gusto namin mula sa unang araw." Mula sa Arkitektura hanggang sa Results Ang Tiger Lake ay nagbibigay-daan para sa mga real-time na mga sistema na nangangahulugan ay mas malakas upang gumana o mas mahal upang bumuo. Mga Customer-facing dashboards Ang mga dashboard ngayon ay maaaring mag-kombinasyon ng live metric sa mga istorikal na aggregates sa isang single query. Walang kinakailangan para sa double stacks o stale insights. Tiger Lake ay sumusuporta sa high-throughput ingestion sa produksyon scale, na nagbibigay ng mga pipeline na visualize bilyon-billion rows sa real-time. Ang lahat ay buhay sa isang system, continuously updated at instantly queryable. "Sa pamamagitan ng Tiger Lake, kami ay pinagsama ang aming real-time at historical data." Sinabi ni Maxwell Carritt, Lead IoT Engineer sa Pfeifer & Langen. "Ngayon kami ay nangangahulugan na lumalabas mula sa Tiger Postgres sa Iceberg, na nagbibigay ng aming mga analysts ang kapangyarihan upang i-explore, model, at magtatagumpay sa data sa buong S3, Athena, at TigerData." "Sa pamamagitan ng Tiger Lake, kami ay pinagsama ang aming real-time at historical data." Sinabi ni Maxwell Carritt, Lead IoT Engineer sa Pfeifer & Langen. Sinabi ni Maxwell Carritt, Lead IoT Engineer sa Pfeifer & Langen. "Ngayon kami ay nangangahulugan na lumalabas mula sa Tiger Postgres sa Iceberg, na nagbibigay ng aming mga analysts ang kapangyarihan upang i-explore, model, at magtatagumpay sa data sa buong S3, Athena, at TigerData." Mga sistema ng monitoring Sa pamamagitan ng isang single source ng katotohanan at isang continuous data loop, ang alerts ay mas mabilis at mas reliable. Ang mga engineer ay maaaring i-execute ang isang SQL query upang i-inspect ang bagong telemetry at historical incidents kasama-upgrade ang pag-sorting speed, i-reducing ang mga false positives, at patuloy na mag-focus sa kung ano ang mahalaga. Ang pagproseso ng data plane ay magbabago rin ang resilience ng sistema. Tiger Lake ay nagbibigay ng mga sistema ng monitoring upang mag-operate sa parehong live operating backbone, kung saan Iceberg ay nagbibigay ng historical depth at Tiger Postgres ay nagbibigay ng low-latency access. mga agente Tiger Lake ay nagbibigay ng grounding na posible nang walang karagdagang infrastructure. Ang mga developer ay maaaring i-embed ng mga nakaraang aktibidad ng mga gumagamit at pang-matagalang kasaysayan ng interaksiyon nang direkta sa Postgres. Walang kinakailangan para sa orchestration, vector drift management o custom AI pipelines. Imagine ang isang supportive agent ay makakuha ng isang bagong pananaliksik. Ang malaking grupo ng mga istorikal na mga kaso ng suporta ay matatagpuan sa Iceberg, habang ang Tiger Lake ay nilikha ng automated chunk at vector embeddings sa Postgres. Ngayon ang vector search laban sa operational database ay maaaring tumugon sa mga tanong ng AI chat mabilis, habang nagtatagumpay na ang embeddings ay matatagpuan at up-to-date nang walang kompleksong orchestration pipelines. Sa paggawa nito, ang Tiger Lake ay isang pangunahing building block sa kung ano ang tinatawag na Agentic Postgres, isang Postgres foundation para sa mga intelligent na mga sistema na mag-aaral, mag-decide, at mag-act. "Sa Tiger Lake, tinatanggap namin na ang TigerData ay lumikha ng isang malakas na base para sa pagbabago ng Postgres sa operational engine ng open lakehouse para sa mga application." Sinabi ni Ken Yoshioka, CTO, Lumia Health. "Ang ito ay nagbibigay sa amin ng flexibility upang bumuo ang aming biotech startup mabilis na may infrastructure na dinisenyo para sa parehong analytics at agentic AI." "Sa Tiger Lake, tinatanggap namin na ang TigerData ay lumikha ng isang malakas na base para sa pagbabago ng Postgres sa operational engine ng open lakehouse para sa mga application." Sinabi ni Ken Yoshioka, CTO, Lumia Health. Sinabi ni Ken Yoshioka, CTO, Lumia Health. "Ang ito ay nagbibigay sa amin ng flexibility upang bumuo ang aming biotech startup mabilis na may infrastructure na dinisenyo para sa parehong analytics at agentic AI." Ang mga kumpanya tulad ng Speedcast, Lumia Health, at Pfeifer & Langen ay lumikha ng full-context at real-time analytical systems na may Tiger Lake. Ang mga architecture na ito ay nagbibigay ng industriya telemetry, agentic workflows, at real-time operations, lahat mula sa isang unified, continuously streaming platform. Magagamit sa Public Beta sa Tiger Cloud Tiger Lake ay magagamit ngayon sa public beta , ang aming managed platform para sa real-time application at analytical systems. Ito ay sumusuporta sa continuous streaming mula sa Tiger Postgres sa Iceberg-backed Amazon S3 Tables gamit ang mga open formats. ang tiger cloud ang tiger cloud Sa loob ng isang taon na ang nakalipas: Round-trip intelligence Pagkatapos ng summer na ito: Query Iceberg catalogs direkta mula sa loob ng Postgres. I-explore, sumali, at pag-argument sa pamamagitan ng lakehouse at operational data gamit ang SQL. Fall 2025: Full-round-trip workflows: inilagay sa Postgres, i-enrich sa Iceberg at i-stream ang mga resulta automatically. Paano i-set up ang Tiger Lake Ang pagkuha ay simple. Walang komplicated orchestration o manual integrations: I-create a bucket para sa Iceberg-compatible S3 tables. Nagbibigay ng mga izin sa ARN sa Tiger Cloud. I-activate ang table sync sa Tiger Postgres: ALTER TABLE my_hypertable SET (
  tigerlake.iceberg_sync = true
);
 Ang Buhay ng Data Architecture ay Real-Time, Contextual, at Open Tiger Lake ay nagpapakita ng isang bagong uri ng arkitektura. Ito ay continuous sa disenyo, scalable sa default, at optimized para sa mga application na kailangan ng buong konteksto at kumpletong data sa real-time. Ang mga operating data ay lumalabas sa lakehouse para sa pag-enrichment at pag-modeling. Ang pag-enriched insights ay lumago back sa Postgres para sa low-latency serving. Ang mga application at mga agens ay kumpletong ang loop, na-respond sa presyon at mabilis. Kami ay naniniwala na ito ay ang pangunahing pangunahing para sa kung ano ang magsisimula: Mga sistema na unify ang mga operational use cases at internal analytics Mga Arkitekturas na Makatipid ng Complexity Instead of Compounding It Ang mga workloads na hindi lamang reaksyonal ngunit nakasalalay sa pag-unawa Hindi mo na kailangang piliin sa pagitan ng konteksto at simplicity. Hindi mo na kailangang patch up ang mga sistema na hindi kailangang magtrabaho sama-sama. at hindi mo na kailangang replatform upang i-evolve. Karamihan sa next-generation storage architecture at ang aming Postgres-native AI tooling, ang Tiger Lake ay lumikha ng mga backbone ng Agentic Postgres. Ito ay isang foundation na binuo para sa mga intelligent na workloads na mag-aaral, simulate, at mag-act. Subukan mo ito ngayon sa at i-check ang upang magsimula. ang tiger cloud Mga pahinang tumuturo sa Tiger Lake ang tiger cloud Mga pahinang tumuturo sa Tiger Lake - ang Mike

This story contains new, firsthand information uncovered by the writer.

Stop database overprovisioning with Dynamic PostgreSQL. Try it out for free

Stop database overprovisioning with Dynamic PostgreSQL Try it out for free

Ang audio na ito ay ginawa sa orihinal na wika ng kuwento!

Tiger Lake Lansing upang Unify Postgres at Lakehouse para sa Real-Time Analytics at AI

About Author

MGA KOMENTO

HANG TAGS

ANG ARTIKULONG ITO AY IPINAKITA SA

Related Stories

Getting intimate with Ethereum tokens

COVID-19: We Need More Than Data, We Need Insights!

Encrypted Instant Messaging Recommendations January 2017

State of the Noonion: The Year of Profitability and Product Renaissance

Getting intimate with Ethereum tokens

COVID-19: We Need More Than Data, We Need Insights!

Encrypted Instant Messaging Recommendations January 2017

State of the Noonion: The Year of Profitability and Product Renaissance

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps