Hoppa till innehållet
EngineerData
Meny
Design
Svenska

Engineer / Data / Kategorier

Prestandaoptimering

  1. 30 dagars eldata på 180 ms

    Utvecklade varianter för timvis aggregering av elförbrukning i Python, SQL och Bash + Jq; Python‑varianten behandlade en JSONL‑datamängd för 30 dagar på 180 ms i prestandatestet.

    Byggde och prestandatestade aggregering av elförbrukning i Python, SQL och Bash + Jq; Python behandlade en JSONL-datamängd för 30 dagar på 180 ms.

  2. Gjorde pipelinen för geodata 50 gånger snabbare

    Dokumenterade en förbättring på 50 gånger i en geografisk datapipeline i grundarens arbete hos Utiligize genom SQL- och datamodelländringar i PostgreSQL, MS SQL och Google Cloud BigQuery.

    Grundaren dokumenterar en förbättring på 50 gånger i en geodatapipeline hos Utiligize genom SQL- och datamodellarbete i PostgreSQL, MS SQL och BigQuery.

  3. Gjorde GIS‑kartan 10 gånger snabbare i PostgreSQL

    Förbättrade prestandan i en kartapplikation för geodata 10 gånger genom en strategisk databasövergång från MSSQL till PostgreSQL, inklusive själva omställningen av data, och optimerade bearbetningen och datasäkerheten.

    Gjorde en GIS-kartapplikation 10 gånger snabbare genom migrering från MSSQL till PostgreSQL — spatiala frågor sjönk från 2,5 s till under 250 ms.

  4. Löste 1 000 problem i geodata och tidsseriedata

    Löste 1 000 problem i geodata och tidsseriedata med GDAL, ArcGIS, PostGIS, Mapbox, QGIS, SQL (PL/pgSQL, Transact‑SQL) och Bash, vilket säkrade en högkvalitativ bearbetning av stora datamängder.

    Löste 1 000+ problem i geografisk big data och tidsserier med GDAL, PostGIS, ArcGIS, Mapbox, QGIS och SQL — 35 % snabbare frågor.

  5. Drev 100 datalager i PostgreSQL, MS SQL, BigQuery

    Utformade, byggde upp och förvaltade 100 datalagerdatabaser i PostgreSQL, MS SQL och Google BigQuery, främst med GIS- och tidsseriedata, och optimerade prestanda och skalbarhet.

    Utformade och drev 100 datalagerdatabaser i PostgreSQL, MS SQL och BigQuery för GIS- och tidsseriedata — frågetiderna sjönk 40–60 %.

  6. Drev 10 PostgreSQL- och MS SQL‑servrar på Ubuntu

    Utformade, driftsatte och underhöll 10 PostgreSQL- och MS SQL‑servrar på VPS:er med Ubuntu Linux och säkerställde optimal serverprestanda och tillförlitlighet.

    Utformade och underhöll 10 PostgreSQL- och MS SQL-servrar på Ubuntu Linux VPS med 99,9 % drifttid och 30 % snabbare frågor genom finjustering.

  7. Gjorde PostgreSQL 10 gånger snabbare

    Gjorde PostgreSQL 10 gånger snabbare med strategisk indexering, partitionering och optimering av databasfrågor och effektiviserade databasen för användar- och tenantdata, geospatiala data och tidsseriedata om el.

    Gjorde PostgreSQL 10 gånger snabbare med indexering, partitionering och frågeoptimering för användar-, tenant-, geo- och tidsseriedata — 40 % lägre resursbruk.

  8. Byggde 600 ETL/ELT‑pipelines i PL/pgSQL

    Byggde 600 PL/pgSQL‑baserade ETL/ELT‑pipelines för att effektivisera komplexa arbetsflöden för databearbetning i flera utvecklings- och produktionsmiljöer för PostgreSQL.

    Byggde 600 registrerade ETL/ELT-pipelines i PL/pgSQL för PostgreSQL i utveckling och produktion, med inkrementell laddning och loggning.

  9. Utformade en JSON‑väg rakt från Postgres till API

    Utformade en arkitektur för direkt vidarebefordran av JSON, där PostgreSQL‑funktioner returnerar komplett JSON som Go‑API:t skickar vidare ordagrant, vilket tog bort mellanliggande deserialisering och frikopplade frontenden från schemaändringar.

    Utformade direkt vidarebefordran av JSON: PostgreSQL-funktioner returnerar komplett JSON som Go-API:t skickar oförändrat, så frontenden frikopplas från schemat.

  10. Tidsordnade nycklar för en växande datamodell

    Införde tidsordnade UUID v7‑identifierare (PostgreSQL 18) som entitetsnycklar för att minska fragmenteringen i B‑trädindex och snabba upp databasfrågor.

    Införde tidsordnade UUID v7-nycklar i PostgreSQL 18 för att minska B-trädsfragmentering och förbättra infogningar och intervallfrågor i entitetstabeller.

  11. Modellerade 348 tabeller i 34 Postgres‑scheman

    Modellerade sjöfartsdomänen i 348 normaliserade tabeller i 34 PostgreSQL‑scheman — yrkesverksamma, företag, fartyg, jobb, recensioner och resten — med SMALLINT‑uppslag och UUID v7‑nycklar.

    Modellerade sjöfartsdomänen i 348 normaliserade tabeller i 34 PostgreSQL-scheman, med SMALLINT-uppslag, UUID v7-nycklar och en enda namnkonvention.

  12. Flyttade långsamt arbete till en jobbkö i River

    Flyttade långsamt arbete från anropsvägen till en jobbkö i River — 15 workermoduler, 8 schemalagda uppgifter och 20 pg_cron‑jobb — så att ett anrop returnerar medan arbetet bakom det fortsätter.

    Flyttade långsamt arbete från anropsvägen till en jobbkö i River: 15 workermoduler, 8 schemalagda uppgifter och 20 underhållsjobb i pg_cron.

  13. Byggde egen analys inuti PostgreSQL

    Byggde egen produktanalys i PostgreSQL — 47 funktioner över partitionerade händelsetabeller som rensar sig själva — pseudonymiserad bakom ett roterande salt och villkorad av besökarens samtycke.

    Byggde egen produktanalys i PostgreSQL — 47 funktioner över självrensande partitionerade tabeller — pseudonymiserad och villkorad av samtycke.

  14. Byggde en lojalitetsplånbok, ligor och märken

    Byggde lojalitets- och ryktessystemet — 67 funktioner över en huvudbok i 31 tabeller, med ligor, märken och en inlösenbutik — som tar ett radlås på saldot för att stänga fönstret för dubbelspendering.

    Byggde lojalitets- och anseendesystemet — 67 funktioner över en huvudbok med 31 tabeller, ligor, märken och en butik — med radlåsning på saldot.

Kontakt

Håller ni fortfarande på att reda ut vad ni behöver?

Berätta vad som inte fungerar eller vad ni försöker bygga. Vi säger vad det skulle kräva, ungefär vad det skulle kosta och om vi är rätt personer för uppgiften.

Från 1 400 DKK i timmen, exklusive moms — och mindre per timme vid en längre bokning.

welcome@engineer.company +45 50 10 61 84 Köpenhamn, Danmark