レイクハウスのリファレンスアーキテクチャをダウンロードする

この記事では、データソース、インジェスト、変換、クエリと処理、サービング、分析/出力、およびストレージの観点から、レイクハウスのアーキテクチャガイダンスについて説明します。

各リファレンスアーキテクチャは、11 x 17（A3）フォーマットのPDFをダウンロードできます。

汎用リファレンスアーキテクチャ

ダウンロード：Databricksの汎用レイクハウスリファレンスアーキテクチャ (PDF)

リファレンスアーキテクチャの構成

リファレンスアーキテクチャは、ソース、インジェスト、変換、クエリと処理、サーブ、分析、ストレージというスイムレーンに沿って構成されています。

ソース

このアーキテクチャでは、半構造化データ、非構造化データ（センサーとIoT、メディア、ファイル/ログ）と構造化データ（RDBMS、ビジネスアプリケーション）を区別します。SQLソース（RDBMS）は、レイクハウスフェデレーションによってETLなしでレイクハウスとUnity Catalogに統合することもできます。さらに、他のクラウドプロバイダーからデータがロードされる場合もあります。
インジェスト

データはバッチまたはストリーミング経由でレイクハウスに取り込むことができます。
- クラウドストレージに配信されたファイルは、Databricks Auto Loaderを使用して直接読み込むことができます。
- エンタープライズアプリケーションから Delta Lakeへのデータのバッチインジェストの場合、 Databricksレイクハウスは、これらの記録システムに特化したアダプターを備えたパートナーインジェストツールに依存しています。
- ストリーミングイベントは、Databricks構造化ストリーミングを使用して、Kafkaなどのイベントストリーミングシステムから直接取り込むことができます。ストリーミングソースは、センサー、IoT、またはチェンジデータキャプチャプロセスです。
ストレージ

データは通常クラウドストレージシステムに保存され、ETLパイプラインはメダリオンアーキテクチャを使用して、データをデルタファイル/テーブルとしてキュレーションされた方法で保存します。
変換およびクエリと処理

Databricksレイクハウスは、すべての変換とクエリに Apache SparkとPhotonのエンジンを使用します。

宣言型フレームワークDLT（Delta Live Tables）は、そのシンプルさから、信頼性が高く、保守しやすく、テスト可能なデータ処理パイプラインの構築に適しています。

Apache SparkとPhotonを搭載したDatabricksデータインテリジェンスプラットフォームは、SQLウェアハウス経由のSQLクエリと、ワークスペースクラスタリング経由のSQL、Python、Scalaワークロードという両方のタイプのワークロードをサポートします。

データサイエンス（機械学習モデリングとGen AI）の場合、Databricks AIおよび機械学習プラットフォームは、AutoML学習と機械学習ジョブのコーディングに特化した機械学習ランタイムを提供します。すべてのデータサイエンスとMLOpsワークフローは、MLflowによって最適なサポートを受けます。
サーブ

DWH と BI のユースケースでは、Databricks レイクハウスは、Databricks SQL と、SQL ウェアハウスを利用したデータウェアハウス、そしてサーバーレス SQL ウェアハウスを提供します。

機械学習のためのモデルサービングは、Databricksのコントロールプレーンでホストされるスケーラブルでリアルタイムなエンタープライズグレードのモデルサービング機能です。

運用データベース：運用データベースなどの外部システムを使用して、最終データ製品を保存してユーザーアプリケーションに提供できます。

コラボレーション：ビジネスパートナーは、Delta Sharingを通じて必要なデータに安全にアクセスできます。Delta Sharingを基盤とするDatabricks Marketplaceは、データ製品を交換するためのオープンフォーラムです。
分析

最終的なビジネスアプリケーションはこのスイムレーンにあります。例えば、リアルタイム推論のためにMosaic AI Model Servingに接続されたAIアプリケーションや、レイクハウスから運用データベースにプッシュされたデータにアクセスするアプリケーションなどのカスタムクライアントがあります。

BIのユースケースでは、アナリストは通常、BIツールを使用してデータウェアハウスにアクセスします。SQL開発者は、クエリやダッシュボード作成にDatabricks SQLエディタ（図には示されていません）を使用することもできます。

また、データインテリジェンスプラットフォームは、データを視覚化して知見を共有するためのダッシュボードも提供します。

ワークロードの機能

さらに、Databricksレイクハウスには、すべてのワークロードをサポートする管理機能が付属しています。

データとAIのガバナンス

Databricks Data Intelligence Platformの中心となるデータおよびAIガバナンスシステムがUnity Catalogです。Unity Catalogは、すべてのワークスペースに適用されるデータアクセスポリシーを管理する単一の場所を提供し、テーブル、ボリューム、フィーチャー（Feature Store）、モデル（モデルレジストリ）など、レイクハウスで作成または使用されるすべてのアセットをサポートします。Unity Catalogは、Databricks上で実行されたクエリ間のランタイムデータリネージをキャプチャするためにも使用できます。

Databricks レイクハウスモニタリングを使用すると、アカウント内のすべてのテーブルのデータの品質を監視できます。また、機械学習モデルやモデルサービングエンドポイントのパフォーマンスを追跡することもできます。

オブザーバビリティを確保するためのシステムテーブルは、Databricks がホストするアカウントの運用データの分析ストアです。システムテーブルは、アカウント全体の履歴の確認に使用できます。
データインテリジェンスエンジン

Databricks Data Intelligence Platformは、組織全体でデータとAIを活用することを可能にします。DatabricksIQを搭載し、生成AIとレイクハウスの統合の利点を組み合わせて、データのユニークなセマンティクスを理解します。

Databricks Assistantは、開発者向けのコンテキスト認識AIアシスタントとして、Databricksノートブック、SQLエディター、およびファイルエディターで利用できます。

オーケストレーション

Databricks Workflowsは、Databricksデータインテリジェンスプラットフォームでデータ処理、機械学習、アナリティクスのパイプラインを調整します。ワークフローには、Databricksワークスペースで非対話型コードを実行するためのDatabricksジョブや、信頼性と保守性に優れたETLパイプラインを構築するためのDelta Live Tablesなど、Databricksプラットフォームと統合されたフルマネージドオーケストレーションサービスがあります。

AWSのデータインテリジェンスプラットフォームのリファレンスアーキテクチャ

AWSリファレンスアーキテクチャは、ソース、インジェスト、サーバー、分析、およびストレージの各要素にAWS固有のサービスを追加することで、ジェネリックリファレンスアーキテクチャから派生したものです。

ダウンロード：AWS上のDatabricksレイクハウスのリファレンスアーキテクチャ

AWSのリファレンスアーキテクチャには、取り込み、ストレージ、サーブ、分析/出力に関する次のAWS固有のサービスが示されています。

レイクハウスフェデレーションのソースとしてのAmazon Redshift
バッチ取り込み用のAmazon AppFlowとAWS Glue
AWS IoT Core、Amazon Kinesis、AWS DMSによるストリーミング取り込み
オブジェクトストレージとしてのAmazon S3
運用データベースとしてのAmazon RDSとAmazon DynamoDB
BIツールとしてのAmazon QuickSight
Amazon Bedrockは、主要なAIスタートアップとAmazonが提供する基盤モデルへの統合APIです。

注：

このリファレンスアーキテクチャのビューでは、AWSサービスとDatabricksレイクハウスにのみ焦点を当てています。Databricksのレイクハウスは、パートナーツールの大規模なエコシステムと統合するオープンプラットフォームです。
掲載されているクラウドプロバイダーのサービスは、すべてを網羅しているわけではありません。これらはコンセプトを説明するために選ばれたものです。

ユースケース：バッチETL

ダウンロード：Databricks on AWSのバッチETLリファレンスアーキテクチャ

インジェストツールは、ソース固有のアダプターを使用してソースからデータを読み取り、Auto Loaderがデータを読み取ることができるクラウドストレージに保存するか、Databricksを直接呼び出します（たとえば、Databricksレイクハウスに統合されたパートナーインジェストツールを使用）。データをロードするために、DatabricksのETLおよび処理エンジンがDLTを介してクエリを実行します。シングルまたはマルチタスクのジョブはDatabricksによってオーケストレーションされ、Unity Catalogによって管理されます（アクセス制御、監査、リネージなど）。低レイテンシの運用システムで特定のゴールデンテーブルへのアクセスが必要な場合、ETLパイプラインの最後で、それらのテーブルをRDBMSやキーバリューストアなどの運用データベースにエクスポートすることができます。

ユースケース：ストリーミングと変更データキャプチャ（CDC）

ダウンロード：Databricks on AWSのSpark構造化ストリーミングアーキテクチャ

Databricks ETLエンジンは、Spark構造化ストリーミングを使用して、Apache KafkaやAWS Kinesisなどのイベントキューから読み取ります。下流のステップは、上記のバッチのユースケースのアプローチに従います。

リアルタイム変更データキャプチャ（CDC）は通常、イベントキューを使用して抽出されたイベントを保存します。そこから、ユースケースはストリーミングのユースケースに従います。

CDCがバッチで実行され、ずクラウドストレージに保存される場合、Databricks Autoloaderはそれらを読み込むことができ、ユースケースはバッチETLに従います。

ユースケース：機械学習とAI

ダウンロード：Databricks on AWSの機械学習およびAIリファレンスアーキテクチャ

機械学習のために、Databricks Data Intelligence Platformは、最先端の機械学習とディープラーニングのライブラリを備えたMosaic AIを提供します。これは、Feature Storeやモデルレジストリ（いずれもUnity Catalogに統合）、AutoMLによるローコード機能、データサイエンスライフサイクルへのMLflow統合などの機能を提供します。

すべてのデータサイエンス関連アセット（テーブル、フィーチャー、モデル）はUnity Catalogによって管理され、データサイエンティストはDatabricks Workflowsを使用してジョブをオーケストレーションできます。

スケーラブルでエンタープライズグレードの方法でモデルをデプロイするには、MLOps機能を使用してモデルサービングでモデルを公開します。

ユースケース：検索拡張生成（生成AI）

ダウンロード：Databricks on Google Cloudの生成AI RAGリファレンスアーキテクチャ

生成AIのユースケース向けに、Mosaic AIは最先端のライブラリと、プロンプトエンジニアリングから既存モデルの微調整、ゼロからの事前学習まで、特定の生成AI機能を備えています。上記のアーキテクチャは、ベクトル検索を統合してRAG（検索拡張世代）AIアプリケーションを作成する方法の例を示しています。

スケーラブルでエンタープライズグレードの方法でモデルをデプロイするには、MLOps機能を使用してモデルサービングでモデルを公開します。

ユースケース：BIとSQL分析

Databricks on AWSのBIおよびSQL分析リファレンスアーキテクチャ

ダウンロード：Databricks on AWSのBIおよびSQLアナリティクスのリファレンスアーキテクチャ

BIのユースケースでは、ビジネスアナリストはダッシュボード、Databricks SQLエディター、Tableau、Amazon QuickSightなどの特定のBIツールを使用できます。どの場合も、エンジンはDatabricks SQL（サーバレスまたは非サーバレス）であり、データディスカバリー、探索、リネージ、アクセス制御はUnity Catalogによって提供されます。

ユースケース：レイクハウスフェデレーション

ダウンロード: Databricks on AWSのレイクハウスフェデレーションリファレンスアーキテクチャ

レイクハウスフェデレーションでは、外部のデータSQLデータベース（MySQLやPostgresやRedshiftなど）をDatabricksと統合できます。

最初にデータをオブジェクトストレージにETLする必要がなく、すべてのワークロード (AI、DWH、BI) がこのメリットを享受できます。外部ソースカタログはUnity Catalogにマッピングされ、Databricksプラットフォーム経由のアクセスにきめ細かいアクセス制御を適用できます。