2.解决方案概述、业务价值和客户利益
建议更改
PDF
Karthikeyan Nagalingam， NetApp
[[2-1-solution-description]]
== 2.1 解决方案说明
该管道实现为 Airflow DAG example_ai_pipeline_sklearn，由任务 ingestion、 data_prep、 xcp_preflight_source、 xcp_copy_prep_to_training、 model_training、 fine_tuning、 inferencing、 checkpoint_model_training、 `route_manual_archive_stage`和 `manual_archive`组成。
[[2-2-use-case-and-problem-statement]]
== 2.2 用例和问题陈述
客户必须使用来自 StorageGRID 的原始数据定期训练和刷新表格回归和文本分类模型。管道在 ONTAP NAS 存储桶中准备该数据，然后根据每次运行的目标选择，使用 NetApp XCP 将其传输到 ONTAP S3 或 LustreFS 进行训练。
[[2-3-target-customer-profile-and-industry-applicability]]
== 2.3 目标客户概况和行业适用性
金融服务（风险/欺诈模型）、制造（预测性维护）、医疗保健（分类/分诊）、零售（需求预测）——任何需要在 NetApp 基础设施上进行受管控、可重复 ML 训练的企业。
[[2-4-solution-scope-and-boundaries]]
== 2.4 解决方案范围和边界
范围内： 摄取门控、数据准备（Python/Spark）、XCP 数据移动（S3/LustreFS）、scikit-learn 训练和增量微调、推理、检查点、手动归档。超出范围： 实时模型服务 API、流式摄取、基于 GPU 的深度学习框架。
[[2-5-assumptions-and-prerequisites]]
== 2.5 假设和前提条件
-
可从 Airflow 访问的 StorageGRID S3 兼容端点，用于原始数据访问和存档。
-
ONTAP NAS 存储桶可从 Airflow 访问，用于写入已准备好的数据，并通过 NFS 向 XCP 主机公开。
-
NetApp ONTAP S3 兼容端点，当选择 ONTAP S3 作为训练目标时，可从 Airflow 和 XCP 访问该端点。
-
NetApp XCP 已安装，可通过 SSH （Airflow 连接
ssh_default）访问。 -
当选择 LustreFS 时，LustreFS 客户端已挂载到 XCP 主机上。
-
Airflow 2.x，带
boto3、scikit-learn；可选 PySpark + Delta/Iceberg 软件包。
[[2-6-business-drivers]]
== 2.6 业务驱动因素
通过增量训练缩短建模时间，降低基础架构成本，消除一次性脚本编写风险。
[[2-7-value-proposition-summary]]
== 2.7 价值主张摘要
StorageGRID、ONTAP NAS、ONTAP S3、LustreFS 和 XCP 与 Airflow 编排相结合，可提供存储层感知、可观察、弹性的 AI 管道。
[[2-8-stakeholder-benefits]]
== 2.8 利益相关者的利益
| 利益相关者 | 优势 |
|---|---|
数据工程 |
声明式、参数驱动的准备；自动文件发现；Spark/Delta/Iceberg 支持 |
数据科学/机器学习 |
增量微调；跨阶段一致的制品源；可重复的拆分 |
IT运营 |
运行时存储选择；保护/有效配置日志；基于检查点的恢复 |
合规/治理 |
清单和存档记录提供可审计的沿袭；可配置的保留阶段 |
[[2-9-tco-considerations]]
== 2.9 TCO注意事项
增量微调和检查点恢复可降低经常性计算成本；存储层灵活性可避免为所有工作负载过度配置高性能存储。
[[2-10-roi-considerations]]
== 2.10 ROI 考量因素
更快的模型刷新周期，减少手动维护，缩短每次故障事件的恢复时间。