数据存储架构的历史，从数据仓库到数据湖 分析和人工智能/机器学习是否应该被视为两个独立的市场，以及使用SQL 讨论适应人工智能/机器学习 实时和流数据的用例，以及延迟讨论 设计现代数据堆栈的最佳实践和对数据架构未来的预测
最重要的问题之一是这些架构类型是否会融合。一年后再看，融合的情况似乎没有发生。特别是，分析和业务生态系统正在蓬勃发展。Snowflake等云数据仓库增长迅速，主要集中在SQL用户和商业智能用户场景上。其他技术的使用也在加速，数据湖公司如Databricks的客户增长率是前所未有的。我们采访的许多数据团队都表示，数据技术栈中的异质性将共存。
然而，随着企业业务的开放，传统的数据库妄想不能很好地满足当今企业的开放要求，然后产生了对数据仓库和数据湖的意见，特别是数据湖、湖仓库集成等新术语是近年来行业的热门话题。
?数据湖/数据仓库：通过Cheetah提供的海量数据集成和计算能力，用户可以通过使用工具快速完成数据湖和数据仓库的建设。帮助数据管理、运维人员快速稳定地完成海量数据集成，实现指标高效计算。
利用当前市场上的HTAP作为大型企业的数据仓库或非结构化数据的数据湖几乎是不现实的。在性能、可扩展性或特定用例（如时间序列数据、图形、搜索等）方面，特定用途的数据库可以更好地满足不同的业务目标。（HTAP在某些地方仍然存在缺点，不包括特殊用途的数据库性能）
有人说数据湖的核心问题是数据太多，缺乏治理，导致数据沼泽。我说你太危言耸听了。数据湖的核心问题是湖水太少。数据治理首先要解决的是是是否有水，是否可以引入水。
与数据仓库不同，数据仓库在处理数据前应进行数据梳理、定义数据结构、数据清洗，数据湖无论“3721”连接数据源将原始数据“锅”，为后续数据湖机器学习、数据挖掘能力带来无限的可能性！数据湖在灵活性方面具有天然优势。由于模型范式的要求，传统的数字仓库不能随意改变业务。变化涉及到底层数据的各种变化，导致传统数字仓库无法支持业务的变化。