Skip to main content
NetApp artificial intelligence solutions
La version française est une traduction automatique. La version anglaise prévaut sur la française en cas de divergence.

2. Présentation de la solution, valeur commerciale et avantages pour le client

Contributeurs nkarthik
PDF

Karthikeyan Nagalingam, NetApp

[[2-1-solution-description]]
== 2.1 Description de la solution

Le pipeline est implémenté sous la forme du DAG Airflow example_ai_pipeline_sklearn, composé des tâches ingestion, data_prep, xcp_preflight_source, xcp_copy_prep_to_training, model_training, fine_tuning, inferencing, checkpoint_model_training, route_manual_archive_stage, et manual_archive.

[[2-2-use-case-and-problem-statement]]
== 2.2 Cas d'utilisation et énoncé du problème

Les clients doivent entraîner et actualiser régulièrement les modèles de régression tabulaire et de classification de texte à l'aide de données brutes provenant de StorageGRID. Le pipeline prépare ces données dans un bucket NAS ONTAP, puis utilise NetApp XCP pour les transférer vers ONTAP S3 ou LustreFS à des fins d'entraînement, selon la destination sélectionnée pour chaque exécution.

[[2-3-target-customer-profile-and-industry-applicability]]
== 2.3 Profil du client cible et applicabilité sectorielle

Services financiers (modèles de risque/fraude), industrie manufacturière (maintenance prédictive), domaine de la santé (classification/triage), commerce de détail (prévision de la demande) — toute entreprise nécessitant une formation ML gouvernée et reproductible sur l’infrastructure NetApp.

[[2-4-solution-scope-and-boundaries]]
== 2.4 Portée et limites de la solution

Dans le périmètre : contrôle de l’ingestion, préparation des données (Python/Spark), mobilité des données XCP (S3/LustreFS), entraînement et ajustement incrémentiel avec scikit-learn, inférence, checkpointing, archivage manuel. Hors périmètre : API de service de modèles en temps réel, ingestion en flux continu, frameworks d’apprentissage profond basés sur GPU.

[[2-5-assumptions-and-prerequisites]]
== 2.5 Hypothèses et prérequis

  • Point de terminaison StorageGRID compatible S3 accessible depuis Airflow pour l'accès aux données brutes et l'archivage.

  • Compartiment NAS ONTAP accessible depuis Airflow pour les écritures de données préparées et exposé via NFS à l’hôte XCP.

  • NetApp point de terminaison compatible ONTAP S3 accessible depuis Airflow et XCP lorsque ONTAP S3 est sélectionné comme destination de formation.

  • NetApp XCP installé et accessible via SSH (connexion Airflow ssh_default).

  • Client LustreFS monté sur l’hôte XCP lorsque LustreFS est sélectionné.

  • Airflow 2.x avec boto3, scikit-learn; packages Delta/Iceberg et PySpark + en option.

[[2-6-business-drivers]]
== 2.6 Facteurs commerciaux

Réduisez le délai de mise au point des modèles, réduisez les coûts d’infrastructure grâce à l’entraînement incrémentiel et éliminez les risques liés aux scripts ponctuels.

[[2-7-value-proposition-summary]]
== 2.7 Résumé de la proposition de valeur

StorageGRID, ONTAP NAS, ONTAP S3, LustreFS et XCP, associés à l'orchestration Airflow, offrent un pipeline d'IA observable, résilient et prenant en compte le niveau de stockage.

[[2-8-stakeholder-benefits]]
== 2.8 Avantages pour les parties prenantes

Partie prenante Avantage

Ingénierie des données

Préparation déclarative et paramétrée ; détection automatique des fichiers ; prise en charge de Spark/Delta/Iceberg

Science des données/apprentissage automatique

Réglage fin incrémentiel ; source d’artefacts cohérente à toutes les étapes ; divisions reproductibles

Opérations informatiques

Sélection du stockage au moment de l’exécution ; journaux guard/effective-config ; récupération basée sur des points de contrôle

Conformité/Gouvernance

Les manifestes et les archives fournissent une traçabilité vérifiable ; étape de conservation configurable

[[2-9-tco-considerations]]
== 2.9 Considérations relatives au coût total de possession

Le réglage fin incrémentiel et la reprise à partir d’un point de contrôle réduisent les coûts de calcul récurrents ; la flexibilité des niveaux de stockage évite le surprovisionnement du stockage haute performance pour toutes les charges de travail.

[[2-10-roi-considerations]]
== 2.10 Considérations relatives au retour sur investissement

Cycles de mise à jour des modèles plus rapides, maintenance manuelle réduite, temps de récupération réduit par incident.