2.解決策概要、ビジネス価値、顧客メリット
変更を提案
PDF
カーティケヤン ナガリンガム、NetApp
[[2-1-solution-description]]
== 2.1 解決策の概要
パイプラインはAirflow DAG example_ai_pipeline_sklearn`として実装されており、タスク `ingestion、 data_prep、 xcp_preflight_source、 xcp_copy_prep_to_training、 model_training、 fine_tuning、 inferencing、 checkpoint_model_training、 route_manual_archive_stage、および `manual_archive`で構成されています。
[[2-2-use-case-and-problem-statement]]
== 2.2 ユースケースと問題提起
お客様は、StorageGRIDを生データソースとして使用した表形式回帰モデルとテキスト分類モデルのトレーニングを実施し、定期的に更新する必要があります。パイプラインはONTAP NASバケット内のデータを準備し、NetApp XCPを使用して、実行ごとの宛先選択に基づき、ONTAP S3またはLustreFSにトレーニング用データを配信します。
[[2-3-target-customer-profile-and-industry-applicability]]
== 2.3 対象顧客プロファイルと業界への適用可能性
金融サービス（リスク/不正モデル）、製造業（予知保全）、ヘルスケア（分類/トリアージ）、小売業（需要予測）など、NetAppインフラストラクチャー上で統制された再現可能な機械学習トレーニングを必要とするあらゆる企業。
[[2-4-solution-scope-and-boundaries]]
== 2.4 解決策の範囲と境界
対象範囲： 取り込みゲート、データ準備 （Python/Spark）、XCP データ移動 （S3/LustreFS）、scikit-learn トレーニングと増分微調整、推論、チェックポイント、手動アーカイブ。対象外： リアルタイム モデル提供 API、ストリーミング取り込み、GPU ベースの深層学習フレームワーク。
[[2-5-assumptions-and-prerequisites]]
== 2.5 前提事項と前提条件
-
StorageGRID の S3 互換エンドポイントは Airflow から到達可能で、生データへのアクセスとアーカイブに使用できます。
-
ONTAP NASバケットはAirflowからアクセス可能で、準備済みデータの書き込みに使用され、NFS経由でXCPホストに公開されます。
-
NetApp ONTAP S3互換エンドポイントは、トレーニング先としてONTAP S3が選択された場合に、AirflowとXCPからアクセス可能です。
-
NetApp XCPがインストールされており、SSH経由でアクセス可能です（Airflow接続
ssh_default）。 -
LustreFSが選択されている場合、XCPホスト上にLustreFSクライアントがマウントされます。
-
Airflow 2.x （
boto3、scikit-learn付き）；オプション PySpark + Delta/Iceberg パッケージ。
[[2-6-business-drivers]]
== 2.6 ビジネス推進要因
モデル構築にかかる時間を短縮し、段階的なトレーニングによってインフラコストを削減し、単発的なスクリプト作成のリスクを排除します。
[[2-7-value-proposition-summary]]
== 2.7 価値提案の概要
StorageGRID、ONTAP NAS、ONTAP S3、LustreFS、XCPをAirflowオーケストレーションと組み合わせることで、ストレージ階層を認識し、監視可能で、回復力のあるAIパイプラインが実現します。
[[2-8-stakeholder-benefits]]
== 2.8 ステークホルダーの利益
| 利害関係者 | 利点 |
|---|---|
データエンジニアリング |
宣言型、パラメータ駆動型の準備処理、自動ファイル検出、Spark/Delta/Iceberg のサポート |
データサイエンス／機械学習 |
段階的な微調整、ステージ全体にわたる一貫したアーティファクトソース、再現可能な分割 |
IT運用 |
実行時ストレージの選択、ガード/有効構成ログ、チェックポイントベースのリカバリ |
コンプライアンス／ガバナンス |
マニフェストとアーカイブ記録は監査可能な系譜を提供し、保存ステージを設定可能です |
[[2-9-tco-considerations]]
== 2.9 TCOに関する考慮事項
段階的なファインチューニングとチェックポイントからの再開により、繰り返し発生するコンピューティングコストが削減されます。ストレージ階層の柔軟性により、すべてのワークロードに対してハイパフォーマンス ストレージを過剰にプロビジョニングすることを回避できます。
[[2-10-roi-considerations]]
== 2.10 ROI に関する考慮事項
モデル更新サイクルの短縮、手動メンテナンスの削減、障害発生時の復旧時間の短縮。