AI 时代开源大数据平台，提供丰富的增强型大数据组件，100%兼容开源，具备极致弹性资源、存算分离架构，覆盖迁移上云、湖仓分析、多模数据处理、AI应用等场景，加速AI业务落地，激发数据价值。

场景介绍
火山引擎EMR 具备平迁能力，提供自动化迁移和监控工具，提高效率、降低复杂度，针对开源组件版本滞后、技术栈复杂等问题，快速构建高性能、低成本大数据平台。

场景介绍
随着企业发展，数据规模庞大、结构复杂、引擎众多、分析复杂，传统架构难以支撑，火山引擎 EMR 湖仓方案满足低成本、统一数据存储&管理、多样分析场景等需求。

场景介绍
构建以Hadoop为核心的企业级离线数仓，对多种类型数据做采集、清洗、转化，一个平台支持多种计算引擎，满足复杂业务分析需求，支撑企业智能分析高效决策。

场景介绍
通过火山引擎EMR 对各类业务系统的结构化/非结构化数据进行加工和查询，支撑上层业务灵活且快速地进行数据分析、探索、预测，提高业务决策效率、组织响应速度。。

场景介绍
火山引擎EMR 支持数据实时采集和流式处理分析、支撑十万级 QPS在线查询分析，达到实时数据展示和动作触发，满足实时性、高并发等场景，支撑实时计算及决策。

国内头部某大模型公司
客户是成立于2023年的人工智能通用应用公司，主要面向C端市场。在技术上实现了包括深度解析庞大的代码库、实现多步骤复杂任务的智能自主处理等的终身助理，乃至开发真正统一架构的多模态模型等。

客户痛点
时效性要求高：数据规模大 (PB级别)，时效要求高，需在业务规定时间内完成数据处理。
数据量庞大：数据处理吞吐量大，对对象存储网络带宽要求高。资源调用不固定:数据处理的资源需要非常灵活，不会按照Pipeline来做定时调度。
语义不一致：计算过程中常用Spark/Ray等分布式计算框架，但框架往往是采用文件语义，与数据存储的对象语义不一致。

解决方案
高性能：采用先进的分布式计算框架，能根据数据规模线性扩展计算规模，确保计算能力与数据量完美匹配，从而始终保持高效稳定的计算效率。同时，Spark/Ray与EMR分布式缓存Proton相互配合，完美实现了TOS的文件语义对接，有效降低了对象存储的带宽要求，减少了不必要的资源消耗。

灵活性强：用户能够根据具体的业务场景和分析需求，迅速调整分析环境在火山引擎 vke集群上灵活快速的添加EMR Spark/Ray等数据分析引擎，快速搭建起最适合当前任务的数据分析环境，极大地提高了数据分析的效率和质量，使整个数据处理流程更加敏捷和高效。

某AIGC文生图垂类公司
客户是一家年轻的生成式AI平台，成立于2021年。作为国内第一批入局AI生成领域的技术团队，致力于通过自研的算法、底层引擎、平台为个人用户和企业客户提供创意生产、广告、数字藏品等场景下的服务，仅成立一年时间就积累了可观的社区用户和商业客户。
客户痛点
数据获取难:高质量的数据集是模型训练的基石，需要可以高效便利的下载数据集。

数据处理慢:比如使用小模型给图片进行审美打分，当前用户使用 脚本分批执行，处理效率极低。
处理成本高:数据清洗、模型训练等都需要 GPU卡，算力成本高昂。
解决方案
高性能分析引擎：使用EMR Ray代替原先脚本方式，效率提升4x以上。

资源用量监控：EMR Ray Dashboard可以帮助客户实时观察GPU资源使用率。

资源极致弹性：EMR提供了引擎级别的RayAutocale能力，和物理节点的弹性伸缩相结合，可以实现作业粒度的弹性伸缩。

技术架构收拢：EMR在火山所有Region均提供服务，柔佛和上海地域可以使用一套技术栈，即实现在海外通过EMRRay实现数据下载，又能在国内对下载回来后的数据实现预处理，降低了维护成本。

某自动驾驶公司
该客户是汽车科创公司，定位为智能网联车，希望通过人工智能、大数据让用户成为汽车价值链的核心驱动力。客户基于某友商自建开源大数据平台，主要支撑车联网信号数据的实时采集、加工以及客户服务、车型迭代、车辆销售等数据分析需求。
客户痛点
实时离线数据割裂：实时与离线数仓的数据无法联动，只能在报表末端级联，数据链路过长、计算效率低下，数据时效长达5min。

数据高度膨胀：存算一体的数仓架构无法承载由车端高频采集导致的数据膨胀，引发高昂资源&维护成本。
系统稳定性低：Hologres架构不合理，导致系统 QPS过高，进而降低服务的可用性、稳定性。
解决方案
实时湖仓一体架构：EMR StarRocks作为数据湖 OLAP引擎，能够以外表的形式与离线数仓级联，实现离线实时联邦查询。

存算分离实现降本增效：EMR采用存算分离的架构来应对高膨胀的增量数据，在保持计算性能SLA不变的同时，将维护成本降低至0。

 OLAP&OLTP 分离：借助 DataSail分离了 OLAP不应承载的高QPS服务，保证了服务的可用性。

一站式大数据平台：火山多品联合，从数据实时集成DataSail  → 湖仓一体计算EMR  →  一站式数据开发治理DataLeap  →  数据智能分析洞察，构建数智化一体化的大数据全链路，提高整体业务效率。

某广告营销公司
该客户是一家专注于移动互联网整合营销服务的公司，公司成立于2017年4月，主站及大数据业务部署在友商上。客户基于 EMR和传统数据库等做业务分析，支撑上游的广告营销业务，包括广告投放分析、流量分析、效果监测、业务决策等场景。
客户痛点
实时能力缺失：底层缺少实时技术与架构，无法构建实时数据链路，导致业务报表无法看到实时数据，时效性仅达到T+1水平。

缺少OLAP引擎：原先使用MySQL做数据分析，面对数据量大、多维查询分析时，显露性能瓶颈，无法支撑业务决策速度。

实时、离线数据割裂：准实时数据与离线数据的逻辑异构，影响数据一致性，改造成本极高，数据风险较大。
解决方案
低人力、低成本搬站：引入火山引擎BP团队来实施搬站方案结合火山搬站工具与方案，仅仅投入2个非全职人力，就实现了无感迁移，并通过实时策略，绕开了友商的数据直接传输，节约了36.8万的出网成本。
T+1->实时的时效跨越：凭借数据湖流批一体特性，保证了实时&离线数据一致性，增加广告投放的准确性;从小时级别跃迁到秒级别，提高投放决策实时性;实时数据上线周期从天级别缩短成小时级别，提升实时开发效率。
 流批一体的数据湖架构：帮助客户升级架构，实时表与离线表一体化管理元数据，全局一套逻辑，可以在Spark/StarRocks进行同数据同逻辑计算。

某游戏公司
客户成立于2009年，总部位于上海，是一家全球化的游戏研发与发行公司，主营业务包括网络游戏的研发、发行与运营，成功推出了包括多款全球知名的游戏产品。
客户痛点
大数据系统组件多、运维成本高：客户在IDC使用CDH，涉及多个开源组件如Spark/Presto/Kafka等，数据来源多，如APP应用、数据库等，日常组件和数据链路维护成本高。
无法做联邦查询：开源原生行为，Spark无法对HDFS和StarRocks内表数据做联邦查询，需要同步多份数据，导致数据冗余，且需要维护额外数据同步链路。
交互查询性能差：客户使用Presto做Adhoc查询，性能较差，不满足数据分析师对查询响应时间的要求。
解决方案
Serverless提供全托管服务，释放用户人力：采用EMRServerless Presto和StarRocks，用户无需感知和维护底层基础设施，大数据团队仅需关注大数据任务本身。
 自研加速引擎比开源性能提升1.5倍：自研向量化计算加速引擎 Bolt，使得Presto运行效率大大提升。
湖仓一体，Spark可直读直写StarRocks：与开源引擎相比，火山EMR增强了Spark和StarRocks的互访，Spark可以直接读写StarRocks，减少了不必要的数据冗余和数据同步链路搭建。
存算分离架构，提供极致弹性、实现低存储成本：上云后，采用EMR存算分离架构，数据存储到对象存储TOS上，通过数据湖冷热分层能力，可以大幅降低存储成本。