Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
データ基盤を支える技術
Search
chanyou0311
May 09, 2024
Technology
5
3k
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/
chanyou0311
May 09, 2024
Tweet
Share
More Decks by chanyou0311
See All by chanyou0311
おうちk8s入門 - すごい広島 IT初心者の会 [84]
chanyou0311
1
120
オンラインコミュニケーションの課題と、その乗り越え方
chanyou0311
0
400
データ分析基盤のはじめかた
chanyou0311
0
1.2k
ゼロから始める Python パッケージ配布
chanyou0311
0
250
フルリモートでもチームを作れる、超えられる!
chanyou0311
0
540
ひとり研修の体験談
chanyou0311
0
60
2020年、広島の地域 Python コミュニティの挑戦
chanyou0311
0
130
connpass-feeder で気になるイベントに参加しまくる!
chanyou0311
0
100
quicktype を使って爆速で型定義する
chanyou0311
0
480
Other Decks in Technology
See All in Technology
能動学習のいろは:書籍「Human-in-the-Loop機械学習」3〜5章
hiroyoshiito
0
310
生成AI活用推進の為にやったこと/やらなかったこと
ktc_wada
0
220
Autonomous Database Cloud 技術詳細 / adb-s_technical_detail_jp
oracle4engineer
PRO
15
36k
Google Cloud Next '24 Recap in ZOZO AIにより変わる開発 運用/Development and operation changed by AI
gachimuchiengineer
0
210
シンプルなHITL機械学習と様々なタスクにおけるHITL機械学習
naohachi89
0
340
令和版ソフトウェアエンジニアの情報収集術 PHPカンファレンス香川2024
ysknsid25
4
910
AI JIMY - 登壇(インストール編)
hanacchi
0
150
【リラン】AIの光と闇?失敗しないために知っておきたいAIリスクとその対応 ①政府の動き編
tkhresk
0
140
生成AIがもたらす変革 / GitHubGalaxy_CyberAgent
cyberagentdevelopers
PRO
2
180
試作とデモンストレーション / Prototyping and Demonstrations
ks91
PRO
0
180
Google Cloudを組織(企業)で運用する時のベストプラクティス × 健康の環境分離戦略 #まるクラ勉強会
yasumuusan
0
190
PHP 9 に備えよ - 動的プロパティ、どうすればいぃ?
taisukearase
0
390
Featured
See All Featured
How to train your dragon (web standard)
notwaldorf
75
5.2k
Designing for Performance
lara
601
67k
[RailsConf 2023 Opening Keynote] The Magic of Rails
eileencodes
14
8.4k
Principles of Awesome APIs and How to Build Them.
keavy
121
16k
Stop Working from a Prison Cell
hatefulcrawdad
266
19k
Thoughts on Productivity
jonyablonski
60
3.9k
Web development in the modern age
philhawksworth
203
10k
Bash Introduction
62gerente
605
210k
Producing Creativity
orderedlist
PRO
338
39k
Creatively Recalculating Your Daily Design Routine
revolveconf
211
11k
4 Signs Your Business is Dying
shpigford
176
21k
A better future with KSS
kneath
231
16k
Transcript
データ基盤を支える技術 chanyou
Yu Nakamura - chanyou • DRE ← Data Engineer ←
SWE • X: @chanyou0311 • GCP BigQuery • Azure Databricks • おうち Kubernetes クラスタ
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 💪
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
Databricks
データ基盤の構成要素
データ基盤とは?
データを保存・加工・活用する システム群のこと
クラウド時代のデータ基盤は どうあるべき?
“モダンデータスタック”
https://snowplow.io/blog/modern-data-stack/
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
データ基盤の主な構成要素を 紐解いていく
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/
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/
ストレージ
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
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
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
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
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
ELT
ELT • Extract • Load • Transform
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
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
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
Fivetran が一強(豊富な連携先、安定性) https://classmethod.jp/partner/fivetran/
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
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
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
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
その他の要素
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/
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
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
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
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
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/
データ基盤の構成要素のまとめ
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
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
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