DATAMIMIC Enterprise Platform

Wann kommt es infrage?

Geeignet, wenn die Modelllogik als versionierbares Engineering-Artefakt unter Kundenkontrolle bleiben soll und Teams gemeinsamen Zugriff, IDE-/Agenten-Authoring, Planung und nachvollziehbare Ausführung benötigen. Die vollständige Projektlogik lässt sich herunterladen; Modelle mit ausschließlich CE-unterstützten Funktionen können auch in CE laufen.

Welche Grenzen sind wichtig?

CE-Portabilität gilt für den gemeinsamen, von CE unterstützten Modellumfang. EE-Funktionen wie Kafka-Nodes, Enterprise-ML und erweiterte Nodes benötigen EE. CE ersetzt weder Plattform-Governance noch deren Provenance-Dienste und hat andere Laufzeitoptimierungen. IDE-Versionen, Konnektoren und Replay-Bedingungen am konkreten Workload prüfen.

Kundeneigene Engineering-Artefakte

Modell und Projektlogik gehören dem Kunden: XML-Modelle, Skripte, Regeln und unterstützende Projektdateien lassen sich einsehen, bearbeiten und versionieren. Das gesamte Projekt ist herunterladbar, auch im zu einem Task gehörenden Projektstand. Die Logik eines Szenarios bleibt damit nachvollziehbar und außerhalb eines reinen Browser-Workflows pflegbar.

Rule Sets und gelernte Generatoren im selben Modell

Rule Sets bilden explizite Fachbedingungen und Transformationen ab. Die dokumentierte Regel-Pipeline trennt Quell-Constraints, geordnete Mappings und Ziel-Constraints; bedingte Strukturen bestimmen die Ausgabeform. Enterprise-ML-Generatoren liefern gelernte Verteilungen, die das Modell über ml:// einbindet und mit expliziter Feldlogik kombiniert. Teams können fachliche Pflichtfälle gezielt definieren und gelernte Daten dort nutzen, wo sie dem Szenario dienen. Gelernte Ausgaben sollten gegen die geforderten fachlichen Invarianten geprüft werden.

Konkreter Wechselpfad nach CE

CE und EE teilen die Modellsprache. Ein heruntergeladenes Projekt mit ausschließlich CE-unterstützten Elementen, Generatoren, Quellen und Zielen kann dasselbe Modell ohne Umschreiben in CE ausführen, bei kompatiblen Engine-Versionen, passender Konfiguration und Ressourcen sowie verfügbaren Abhängigkeiten, Eingaben und Zieldiensten. Kafka, Enterprise-ML und andere EE-Nodes bleiben Editionsgrenzen. CE unterstützt Python-Multiprocessing; EE ergänzt eine separat optimierte Engine und zusätzliche Durchsatzoptimierungen. Modell-Portabilität erhält die Kundenlogik; Zugriffssteuerung, Task-Orchestrierung und Provenance sind Enterprise-Dienste. Für CE-kompatible Modelle ist die Modelllogik damit nicht an die EE-Laufzeit gebunden.

Eigener EE-Kern und Plattform-Verantwortung

EE und CE teilen eine Modellsprache und haben getrennte Ausführungs-Engines. Der EE-Kern führt Enterprise-Daten-Workloads aus. Plattform-Dienste verwalten Projekt-Workspaces, Berechtigungen, APIs, Worker, Planung und Ausführungsnachweise.

Governance liegt bei der Plattform

Die Plattform verwaltet Projektzugriff, Benutzer, Zusammenarbeit und Ausführung. Entwickler und Agenten arbeiten am selben kundeneigenen Projekt innerhalb dessen Berechtigungen. Planung und Task-Nachweise bleiben unabhängig vom Authoring-Zugang unter Plattform-Governance.

Relationale Teilmengenplanung und Quelldaten-Auswahl

Im Database Workbench wählst du Tabellen und Spalten und führst anschließend Plan Subset aus. Die Plattform analysiert Fremdschlüssel-Abhängigkeiten und ergänzt benötigte Tabellen automatisch zum Modellumfang. Prüfe den Plan vor Modellerstellung und Ausführung. SQL-Selektoren bestimmen separat, welche Quellzeilen ein Extraktions-Workflow liest. Tabellen-Abschluss und Zeilenextraktion sind unterschiedliche Operationen; prüfe das kombinierte Ergebnis gegen Schema und Beziehungen.

Browser-IDE und IDE-Erweiterungen

Die Plattform bietet browserbasiertes Authoring und einen Erweiterungs-Workflow für VS Code, Kiro und Google Antigravity. Projektdateien bleiben im Plattform-Workspace; gehostete Sprachdienste unterstützen Vervollständigung, Diagnostik und Hover. Prüfe die dokumentierten IDE- und Versionsfreigaben vor dem Rollout.

Ausführungs-Workflow für Entwickler und Agenten

Entwickler können Modelle über die Plattform und ihre IDE-Anbindung bearbeiten und die Generierung starten. Agenten verbinden sich über projektbezogenes MCP. Die Erweiterung konfiguriert den Zugriff für unterstützte IDE-Agenten; eigenständige Clients wie Codex und Claude Code nutzen den dokumentierten OAuth- oder Projekt-Token-Verbindungsweg.

Provenance und Ausführungsnachweise

Der Task-Nachweis verbindet die Ausführung mit Akteur, Task-ID, Zeitangaben, Status, Logs, Vorschau und Ausgabe-Artefakten. Ein Projekt-Snapshot zum Ausführungszeitpunkt lässt sich herunterladen; Git-verbundene Projekte können den Task-spezifischen Projektstand erhalten. So lassen sich Modell, Ausführung und Ergebnis für Prüfungen nachvollziehen.

Generate, Extract & Transform, Learn, Combine

Generate erzeugt explizite Fachszenarien. Extract & Transform selektiert vorhandene Datensätze und wendet Feldregeln an. Learn nutzt gespeicherte Enterprise-ML-Modelle. Combine verbindet diese Mechanismen im Projekt: Quellwerte, Transformationen, regeldefinierte Fälle und gelernte Verteilungen können unterschiedliche Teile desselben Datenszenarios liefern.

Welche Fähigkeiten sind dokumentiert?

Dokumentiert bedeutet: Eine zitierte Herstellerquelle beschreibt diese eingegrenzte Fähigkeit. Nicht verifiziert bedeutet: Die geprüften Belege bestätigen sie nicht. Beides ist kein praktisches Testergebnis.

Wie wird es betrieben und lizenziert?

Enterprise-Betrieb On-Premises mit unterstützten Containern oder Helm sowie getrenntem Backend, Workern, Scheduler und Task-Monitoring. Der Anbieter dokumentiert auch Air-Gap-Umgebungen. Der EE-Kern führt Daten-Workloads aus; Plattform-Dienste verantworten Projekte, Zugriff und Ausführungsverwaltung.

Kommerzielles Enterprise-Produkt. Ein aktueller öffentlicher Listenpreis war nicht auffindbar; Umfang und Preis werden mit dem Anbieter vereinbart. CE ist ein separat vertriebenes Developer-Paket unter MIT-Lizenz.

Quellen und Geltungsbereich

1. DATAMIMIC documentation home

   Platform authoring, project, execution and operational documentation.

   Quelle geprüft: 2026-10-01
2. rapiddweller/datamimic repository

   Publisher-documented distinction between CE and the separate EE execution engine, Platform governance, pseudonymization and audit/provenance functions.

   Quelle geprüft: 2026-10-01
3. Upgrade your models from DATAMIMIC 3.5 to 4.0

   Exact replay boundary; requires same engine version, complete deterministic inputs, explicit seed, execution topology, deterministic serialization and ordering; ML is excluded; date behavior depends on the seeded reference clock.

   Quelle geprüft: 2026-10-01
4. Date and Time Generation

   Relative date windows use a runtime clock anchor; seeded execution uses deterministic runtime clock, while unseeded execution reads live clock.

   Quelle geprüft: 2026-10-01
5. Platform features

   Enterprise generation and de-identification workflows, collaboration, access control and operational execution management.

   Quelle geprüft: 2026-10-01
6. DATAMIMIC product page

   Enterprise positioning, on-premise deployment and vendor contact; does not publish a list price.

   Quelle geprüft: 2026-10-01
7. Element <ml-train>

   Trains a versioned tabular model from project data for learned distributions; a separate workflow from deterministic rule-based generation.

   Quelle geprüft: 2026-10-01
8. Source reference

   Documented file/database/message sources, selection and chained memstore workflows for source-driven extract/transform and staged combination.

   Quelle geprüft: 2026-10-01
9. Target attribute

   Multiple target values may combine output formats or environments.

   Quelle geprüft: 2026-10-01
10. Generation model reference

    Model-driven generation syntax and execution controls.

    Quelle geprüft: 2026-10-01
11. Enterprise system architecture

    Separate backend, workers, scheduler, task monitor and shared operational services.

    Quelle geprüft: 2026-10-01
12. Project user access management

    Platform-owned project membership and access administration.

    Quelle geprüft: 2026-10-01
13. DATAMIMIC IDE extension

    Remote project workspace, supported IDE hosts/version qualifications and hosted language services.

    Quelle geprüft: 2026-10-01
14. Project-scoped MCP client connection

    IDE and standalone agent clients, OAuth, tokens and project scope.

    Quelle geprüft: 2026-10-01
15. Task execution and provenance

    Actor, task identity, timestamps, logs, output artifacts and task-time project snapshots.

    Quelle geprüft: 2026-10-01
16. DATAMIMIC vs Delphix: source selection and transformation example

    Vendor-published CE 4.3.0 example: SQL range selection, explicit field transformations and target writing; edition-scoped four-path explanation. The reported execution was not independently repeated in this comparison.

    Quelle geprüft: 2026-10-01
17. Iterate source traversal

    Source records and parent context for explicit child transformations and target generation.

    Quelle geprüft: 2026-10-01
18. Relational Database View and subset planning

    Selected table/column scope, automatically applied required foreign-key table closure, review gate and distinct model-creation outcomes; not a universal row-copy benchmark.

    Quelle geprüft: 2026-10-01
19. Workbench model planning

    Reviewed dependency planning before model configuration; generated XML is saved and opened for deliberate composition and execution.

    Quelle geprüft: 2026-10-01
20. Structured data and rule pipelines

    Explicit constraints, ordered mappings and conditional nested structures.

    Quelle geprüft: 2026-10-01
21. Project editor and language services

    Project files, XML authoring and hosted LSP.

    Quelle geprüft: 2026-10-01

Was solltest du im Proof of Concept prüfen?

1. Deine Datenbankversion, Schema-Constraints und Zielformate.
2. Konkretes Produkt, Edition, Deployment und Lizenzumfang.
3. Fachliche Sollwerte und die Bedeutung von Wiederholbarkeit für deinen Output.
4. Fehlgeschlagenen Lauf, Bereinigung und Wiederholung mit kontrollierten Eingaben.