در کافه بازار مهندسان علوم داده و تحلیل‌گران داده در تیم‌های مختلف، تلاش می‌کنند تا با انجام محاسبات تحلیلی بر روی داده‌های محصولی به رشد محصول کمک کنند. آنها برای انجام این محاسبات، به زیرساخت‌هایی مانند GPU یا CPU نیاز دارند و در بعضی موارد نیازمند استفاده از ابزارهایی مانند Spark و Flink هستند. ما در تیم زیرساخت کافه بازار برای اینکه به این نیاز پاسخ بدهیم، باید ابزار توسعه کاری ارائه می‌دادیم که قادر به رفع تمامی این نیازها به صورت همزمان باشد. تیم ما از ۵ نفر تشکیل شده است که ماموریت ما، ایجاد ابزارها و روش‌ها، استقرار و نظارت بر آنها در کافه بازار به منظور تسهیل توسعه و نگهداری و کاهش هزینه تولید محصول و تضمین پایداری آن می‌باشد.در این پست می‌خواهیم راجع به یکی از ابزارهای توسعه کار، ژوپیتر(Jupyter) ، صحبت کنیم که مسئولیت توسعه و نگهداری این ابزار با تیم زیرساخت کافه بازار است.
مهندسان علوم داده و تحلیل‌گران می‌توانند با استفاده از این ابزار، محاسبات داده‌ای خود را با زبان‌ها و زیرساخت‌های مختلف انجام دهند، بدون آن‌که نیازی به راه‌اندازی و نگهداری ابزاری در سطح تیم خود داشته باشند.
در ابتدا چرایی انتخاب این ابزار را بیان می‌کنیم و در ادامه معماری و ساختار آن را بررسی خواهیم کرد.
