Orchestrateur de pipelines data et ML qui adopte une approche centrée sur les assets (tables, fichiers, modèles ML) plutôt que sur les tâches. Là où Airflow modélise « quelle tâche exécuter quand », Dagster modélise « quels assets produire et quelles sont leurs dépendances ». Cette approche améliore radicalement l'observabilité : chaque asset est versionnée, monitorée et documentée, et le graphe de dépendances est explorable visuellement. Dagster intègre nativement les tests de qualité, la matérialisation partielle et le replay ciblé des assets. Son adoption croît rapidement, notamment dans les équipes qui souffrent de la complexité opérationnelle d'Airflow.