データ基盤を支える技術

主にクラウドの話してます - 広島 での登壇資料です。
https://omoni-cloud.connpass.com/event/315682/

Transcript

1. データ基盤を支える技術 chanyou
2. Yu Nakamura - chanyou • DRE ← Data Engineer ← SWE • X: @chanyou0311 • GCP BigQuery • Azure Databricks • おうち Kubernetes クラスタ
3. ゴール • データ基盤の構成要素がわかる • データ基盤を構成する技術スタックがイメージできる なんかデータ分析基盤作れそう！作ってみたい 💪
4. 注意 • AWS と Azure 固有のサービスは触れられてません • GCP に類似したサービスはあるはず… • だいたい Databricks で対応できます
5. Databricks
6. データ基盤の構成要素
7. データ基盤とは？
8. データを保存・加工・活用する システム群のこと
9. クラウド時代のデータ基盤は どうあるべき？
10. “モダンデータスタック”
11. https://snowplow.io/blog/modern-data-stack/
12. クラウドサービスの組み合わせで データ基盤が作れてしまう
13. データ基盤の主な構成要素を 紐解いていく
14. データ基盤の構成要素 • ストレージ • ELT • データモデリング • カタログ • データ品質保証 • MLOps / BI https://snowplow.io/blog/modern-data-stack/
15. データ基盤の構成要素 • ストレージ • ELT • データモデリング • カタログ • データ品質保証 • MLOps / BI https://snowplow.io/blog/modern-data-stack/
16. ストレージ
17. ストレージ • データウェアハウス • データレイク • データレイクハウス
18. データウェアハウス • 構造データをサクッと取り出せるストレージ • BigQuery, Snowflake など
19. データレイク • 構造・非構造どちらも保存できるストレージ • S3 や GCS など • 画像や音声を使ってMLモデル作りたい、に応える • 構造データはデータウェアハウスに転送する
20. データレイクハウス • データレイクにデータウェアハウスを内包する思想 • 構造データとして Delta Lake などを採用 • ACID トランザクションの担保 • 実体は列指向の Parquet ファイル • マネージドサービスとして Databricks Unity Catalog
21. ストレージ • データウェアハウス • データレイク • データレイクハウス
22. ELT
23. ELT • Extract • Load • Transform
24. ELT vs ETL • ELT: 外部データをそのままストレージにロードして後から変換する • ETL: 外部データを変換してからストレージにロードする 最近は ELT が主流 ストレージコストが安価、後から変換をやり直せるため
25. ETL 全部できるもの • GCP Dataflow / Apache Beam • Databricks Delta Live Tables • trocco / Embulk / Fluentd • Jupyter Notebook / Spark • お手製スクリプトと任意の実行環境
26. Extract と Load 特化 • Fivetran • Airbyte Cloud / Airbyte • dlt • trocco / Embulk / Fluentd 多数のコネクタを持ち合わせている 接続したいサービスの token を渡すだけで連携できる 例: S3 に保存された生ログをそのまま BigQuery に転送
27. Fivetran が一強（豊富な連携先、安定性） https://classmethod.jp/partner/fivetran/
28. Transform 特化 • dbt Cloud / dbt Core • GCP Dataform • Databricks Delta Live Tables ストレージにロード済みのデータを変換する SQL ベースで冪等に処理できるものが好まれる
29. dbt がデファクトスタンダード的ポジション • token 設定して SQL ファイル書いて実行するだけ • 結果がテーブルとして書き込まれる • 別の SQL ファイルの結果を利用して SQL ファイルを書ける • 依存関係を解決して自動で適切な順序でテーブルを生成してくれる • ストレージや実行環境にロックインされない • dbt は SQL のコンパイルを行うのがメイン • 実際の変換処理はストレージ標準の計算リソースを利用する
30. dbt がデファクトスタンダード的ポジション • データエンジニアリングに SWE の文化を持ち込める • データテスト、単体テスト、ドキュメンテーション • オープンソースでプラグイン開発が容易 • Web Framework のプラグインのように dbt ライブラリが豊富 • クラウド ↔ セルフホストを行き来できる • 最初は dbt Cloud に頼る • コストが気になったら GitHub Actions で dbt Core に切替とか
31. dbt integration なサービスが豊富 • Fivetran, Airbyte, troccoなど Extruct / Load に特化したサービスで dbt に対応 • Databricks Jobs などのワークフローのステップに dbt が使える https://prtimes.jp/main/html/rd/p/000000046.000039164.html
32. その他の要素
33. データ基盤の構成要素 • ストレージ • ELT • データモデリング • カタログ • データ品質保証 • MLOps / BI https://snowplow.io/blog/modern-data-stack/
34. データモデリング • ファクトテーブル、ディメンションテーブルの実装 • 分析のための集約テーブルの実装 Transform の作り込み Notebook ベースでも実装可能だが、保守性が低い dbt 一択な印象
35. カタログ • テーブルやカラムのメタデータ管理ツール • 分析時に行や列の意味がわからないとしんどい • GCP Data Catalog • BigQuery テーブル詳細画面 • dbt docs
36. データ品質保証 • これだけで1テーマになってしまう • データの品質とはなにか？ • 完全性、一意性、適時性、可用性… • dbt test + elementary • レコードに重複が発生したらアラートを出す • 存在しない FK がデータに含まれていたら(ry • データが反映されるべき時刻に挿入されてなかったら(ry
37. MLOps / BI • MLOps • 実験環境、モデルレジストリ、モデルのサービング • GCP Vertex AI • Databricks MLFlow • BI • Tableau / PowerBI / Looker • Superset / Metabase
38. データ基盤の構成要素 • ストレージ • ELT • データモデリング • カタログ • データ品質保証 • MLOps / BI https://snowplow.io/blog/modern-data-stack/
39. データ基盤の構成要素のまとめ
40. マネージド サービス セルフ ホスト Storage Extract Load Transform DataModeling Catalog 品質 MLOps BI dbt BigQuery DuckDB Unity Catalog Airbyte Fivetran Dataform Vertex AI Superset Metabase Looker Tableau Snowflake Data Catalog trocco Embulk Delta Live Tables Unity Catalog Dataflow BigQuery MLFlow Dashboard
41. まとめ • パブリッククラウド以外の選択肢も豊富 • OSS のマネージドサービスが近年増えている • パブリッククラウドにロックインされず健全 • 選択肢がありすぎて、技術選定が難しい • ストレージと Fivetran と dbt があればなんとかなる
42. 文献 • データマネジメント知識体系ガイド 第二版 • ビッグデータを支える技術 • データエンジニアリングの基礎