source
stringlengths 0
149
| instruction
stringlengths 5
137
| context
stringclasses 6
values | response
stringlengths 4
1.6k
| category
stringclasses 1
value |
|---|---|---|---|---|
https://qiita.com/naoyabe/items/f1fa063d52eed4d85d9a | デルタログにどのような情報が記載されていますか？ | デルタログというのはトランザクションログに相当するもので、各トランザクションにおいて新たに追加されたParquetファイルがどれで、不要になった(参照されなくなった)Parquetファイルがどれか、という情報を記録しています。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/4cadbc477572d0ec39bf | k-meansとは？ | k-meansは、データポイントを事前に定義した数のクラスターにクラスタリングを行うクラスタリングアルゴリズムで最もよく利用されるものの一つです。MLlibの実装にはkmeansと呼ばれるk-means++の並列化バージョンが含まれています。 | closed_qa |
|
https://qiita.com/naoyabe/items/f1fa063d52eed4d85d9a | デルタのタイムトラベルはどういう機能ですか？ | タイムトラベルを使って指定した過去のバージョン（またはタイムスタンプ）まで遡るというのは、指定された過去バージョンで参照されていたParquetファイルがどれなのかをトランザクションログから判断し、それらのParquetファイルを読み取って過去の状態を再現するということです。 | closed_qa |
|
https://qiita.com/naoyabe/items/f1fa063d52eed4d85d9a | デルタログの保持期間をどうやってコントロールするか？ | デルタログの保持期間は、delta.logRetentionDurationという設定で決まります。
デフォルトは 30日間 に設定されています。
設定は基本的にテーブル単位で行います。 | closed_qa |
|
https://qiita.com/naoyabe/items/f1fa063d52eed4d85d9a | デルタログの保持期間が経過した時点で即座にデルタログが削除されるか？ | きっかりデルタログの保持期間が経過した時点で即座に削除されるかというと、そうでもありません。Deltaテーブルの実体はログも含めてクラウドストレージ上にあるただのファイルなので、そもそも該当のDeltaテーブルに対して何もトランザクションを行っていなければ、ログが勝手に消えることもありません。また保持期間経過後に新たなトランザクションが行われたとしても、古いログが実際に削除されるためには内部で様々な条件があり、チェックポイントファイルが作成されていることや、そのチェックポイントの保持期間等も条件に含まれます。このようにデルタログが実際に削除されるタイミングは複雑な条件によって決まります。ただし、delta.logRetentionDurationで設定した保持期間内のデルタログは必ず保持されます。 | closed_qa |
|
https://qiita.com/naoyabe/items/f1fa063d52eed4d85d9a | 過去のParquetファイルの保持期間は？ | 過去のParquetファイルはVACUUMコマンドで明示的に削除処理を行わない限り、勝手に消えることはありません。 したがって乱暴に考えれば、VACUUMコマンドを一切実行しなければ過去全てのParquetファイルを保持しておくことができます。ただしそうするとストレージの容量が青天井で膨らんでいってしまいます。そのため実際には定期的にVACUUMを行って、意図した保持期間を超えた不要なParquetファイルは削除するのがベストプラクティスです。 | closed_qa |
|
https://qiita.com/naoyabe/items/f1fa063d52eed4d85d9a | 誤ったVACUUMの防止のためどうしたらいいですか？ | delta.deletedFileRetentionDurationは、VACUUMのRETAINオプションによって指定できる最短の保持期間を制限する設定です。
デフォルトは 7日間 に設定されています。
設定は基本的にテーブル単位に行います。
デフォルトの7日間だと、たとえVACUUMのRETAINで7日間より短い保持期間した際にエラーとなります。従ってこの設定を必要な保持期間に変更しておけば、保持期間内であるべき過去Parquetファイルの誤削除を防止できます。 | closed_qa |
|
https://qiita.com/naoyabe/items/f1fa063d52eed4d85d9a | Delta Lake のログ・過去データの保持期間についての意すべき点は何でしょうか？ | テーブルのサイズやトランザクション頻度に依存はするのですが、特に過去Parquetファイルの方は保持期間を長くするほどクラウドストレージの容量も膨らんでしまいます。そのため、基本的には最小限の保持期間（多くの場合はデフォルト設定）での運用を意識しつつ、どうしても必要な場合だけ上記のように保持期間を延ばすことを検討するのが良いと思います。 | closed_qa |
|
Okeraはどういう課題を解決しますか？ | OkeraはデータやAIの領域におけるデータプライバシーやガバナンスの課題を解決します。データの可視性や透明性をシンプルにすることで、企業がLLMの時代において重要であるデータの理解の助けとなり、それらのバイアスに関する懸念に対応することが可能となります。 | closed_qa |
||
https://qiita.com/taka_yayoi/items/6070ebb9901ce2b5ad7e | AIはどのようにデータガバナンスを変革するのか？ | これまでは、洗練度合いに関係なくデータガバナンスの技術は、いくつかの絞られたレイヤーにおけるコントロールの強制に依存しており、ワークロードをこのレイヤーにおける「壁で囲われた庭(walled garden)」にフィットさせる必要がありました。例えば、クラウドデータウェアハウスはアクセスコントロールにSQLを必要としますが、これはすべてのワークロードがSQLにフィットする限りにおいては効率的なものです。これは、データの主要なアプリケーションがSQLクエリーを生成するBIレポートのようにSQLセントリックであったこの数十年間はうまくいっていました。
AI、特に機械学習モデルやLLMの勃興によって、このアプローチだけでは不十分になりました。第一に、AIで使用されるデータは人間が生成したものではなく機械が生成するものとなるため、企業が管理すべきデータ資産の数は指数関数的となります。第二に、AIの領域における高速な開発スピードのため、最先端の技術を補足するのに十分な表現能力を持つ壁で囲われた庭を単一の企業で作成することはできません。あるベンダーは自身のSQLベースのデータウェアハウスのアクセスコントロールを強制することはできますが、全てのオープンソースライブラリをこの庭における特定のコントロールに準拠するように変更することはできないでしょう。これは、起源やバイアスのようなAI固有のガバナンスの懸念事項は、従来型のデータガバナンスプラットフォームの範疇外になってしまうことを意味します。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/6070ebb9901ce2b5ad7e | OkeraのAIセントリックのガバナンステクノロジーを教えてください。 | Okeraのデータガバナンスプラットフォームは、この新世界におけるデータガバナンスの課題に対応できる2つのユニークなテクノロジーを提供します。
最初に、Okeraは個人情報(PII)のような機微データを自動で発見、分類、タグ付けできる直感的でAI支援のインタフェースを提供します。これらのタグによって、データガバナンスのステークホルダーは、容易にコンプライアンスを評価し、データに対する可視性やコントロールを改善するノーコードのアクセスポリシーを作成することができるようになります。また、Okeraは機微データの使用をクイックに監査、分析できるセルフサービスのポータルも提供し、企業は信頼性を持ってデータの利用パターンを監視、追跡できるようになります。これによって、多くがAIによって生成されるデータ資産の爆発の中でも、ガバナンスポリシーが一貫性を持って適用されていることを保証できるようになります。
次に、Oktaにはパフォーマンスを犠牲にすることなしに、ガバナンスコントロールを強制しつつも、任意のワークロードをサポートできる新たなアイソレーションテクノロジーを開発し続けています。このテクノロジーはプライベートプレビューであり、数多くの連携しているお客様のAIワークロードでテストされている状況です。これは、新世界におけるアプリケーション領域の全体をカバーしていることを効率的に保証するキーとなる技術です。間も無く、我々はこの新技術のギジュ的証左を共有する予定です。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/6070ebb9901ce2b5ad7e | OkeraとUnity Catalogはどのようにインテグレーションする予定でしょうか？ | レイクハウスは、データとAIアプリケーションを開発し、LLMを構築するにはベストな場所と言えます。我々のレイクハウスのビジョンは、一つのプラットフォームでこれらのワークロードを統合することを中心としています。我々のレイクハウスビジョンの基盤には、すべてのデータ、AIワークロードのデータがバンスレイヤーであるUnity Catalogがあります。我々は、OkuraのAIセントリックガバナンステクノロジーをUnity Catalogにインテグレーションするつもりです。
我々のお客様は、属性ベース、意図ベースのアクセスポリシーを用いて、すべてのデータ、分析、(MLモデルやモデルの特徴量を含む)AI資産を発見、分類、管理するためにAIを活用できるようになります。さらに、レイクハウスにおけるエンドツーエンドのデータの可視性のメリットを享受することができ、分析、AIアプリケーションにおける機微データの利用を監査、レポートできるようになり、カラムレベルまでデータリネージを自動で追跡できるようになります。
これらの機能強化によって、我々のお客様はクラウド横断のデータ領域における包括的なビューを手に入れることができ、アクセスポリシーを定義するために単一の権限モデルを活用し、レイクハウスにおけるAIユースケースを加速し、一貫性のあるガバナンスを実現します。また、間も無くの買収によって、他のデータガバナンスパートナーが活用できるよりリッチなポリシーのためのAPIを公開し、お客様にシームレスなソリューションを提供することになります。 | closed_qa |
|
https://qiita.com/naoyabe/items/f1fa063d52eed4d85d9a | Deltaテーブルがタイムトラベルで過去の状態に遡るためには何が必要なのか？ | 必要なのは以下の2つになります。
デルタログ（トランザクションログ）
過去の状態のデータが入ったParquetファイル | closed_qa |
|
https://qiita.com/naoyabe/items/f1fa063d52eed4d85d9a | Deltaテーブルに対してINSERT, UPDATE, DELETE等の操作をしたら、既存のParquetファイルが直接上書きされたり削除されたりはしますか？ | Deltaテーブルは内部ではParquetファイルを使ってデータを保持していますが、Deltaテーブルに対してINSERT, UPDATE, DELETE等のトランザクションを加えても、既存のParquetファイルが直接上書きされたり削除されたりはしません。その代わり、挿入、変更、削除後の新しい状態を保持したParquetファイルが新たに作成され、読み取り対象のParquetファイルがそちらに切り替わるという動作をします。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/fb8b62528facfe766653 | Delta Sharingとは何ですか？ | Delta SharingはDatabricksが開発したオープンなデータ共有プロトコルです。同じプラットフォームを使用していなくても、セキュアにデータを共有することができます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/fb8b62528facfe766653 | Delta Sharingのデータ共有手順を教えてください。 | スケジュール処理に加えて、多くのお客様は特定のイベントが生じた際にワークフローを起動したいと考えています。 | ここでは、Databricksのデータを共有して、ローカルマシンのVSCodeから共有データを参照します。以下の３ステップで実施します。1: データの共有
2:受信者の作成
3:共有データの参照 | closed_qa |
https://qiita.com/taka_yayoi/items/3bb1e90fbf06e92dcda5 | クラウドストレージにファイルが到着した際にジョブを起動することができますか？ | ファイル到着トリガー」というパワフルな新機能を導入します。この機能を用いることで、クラウドストレージにファイルが到着した際にジョブを起動するように設定することができます。これらの新たなトリガーを用いることで、ワークフローはファイルが到着した際に、データを取り込み、機械学習推論や任意のタイプの分析を即座に実行することができます。この機能の活用をシンプルにするために、クラウドストレージへのアクセスを管理するUnity Catalogの外部ロケーションを活用できます。現状はファイル到着トリガーはAzureとAWSでパブリックプレビューとなっています。 | closed_qa |
|
https://qiita.com/motokazu_ishikawa/items/d07ca364ecd089d926e6 | 内部結合 (INNER JOIN)とは？ | 内部結合 (INNER JOIN)は、結合のキーとなる列の値がマッチする行同士を連結することで2つのデータフレームを結合します。キーの列の値が片方のデータフレームにしか存在しない場合は、その行は出力されません。 | closed_qa |
|
https://qiita.com/motokazu_ishikawa/items/d07ca364ecd089d926e6 | 内部結合 (INNER JOIN)に使うメソッドを教えてください。 | 内部結合 (INNER JOIN)には、データフレームのjoin()メソッドを使い、最初の引数として内部結合をしたい相手のデータフレームを指定します。 | closed_qa |
|
https://qiita.com/motokazu_ishikawa/items/d07ca364ecd089d926e6 | 左外部結合 (LEFT OUTER JOIN)とは？ | 左外部結合 (LEFT OUTER JOIN)は、結合の基準となる左側のデータフレームの行に、キーとなる列の値がマッチする右側のデータフレームの行を連結することで2つのデータフレームを結合します。左側のデータフレームのキーとなる列の値が右側のデータフレームに存在しない場合でも、左側のデータフレームの該当行は出力されます（右側のデータフレームの該当の情報はnullとして出力されます）。 | closed_qa |
|
https://qiita.com/motokazu_ishikawa/items/d07ca364ecd089d926e6 | 左外部結合 (LEFT OUTER JOIN)に使うメソッドを教えてください。 | 左外部結合の基準となる左側のデータフレームのjoin()メソッドを使い、最初の引数として相手の（右側の）データフレームを指定します。 | closed_qa |
|
https://qiita.com/motokazu_ishikawa/items/d07ca364ecd089d926e6 | クロス結合 (CROSS JOIN)とは？ | クロス結合 (CROSS JOIN)は、結合する両方のデータフレームの全ての行の組み合わせを出力します。結果として、両側のデータフレームそれぞれの行数を掛け合わせた数の行が出力されます。 | closed_qa |
|
https://qiita.com/motokazu_ishikawa/items/d07ca364ecd089d926e6 | クロス結合 (CROSS JOIN)に使うメソッドを教えてください。 | データフレームのcrossJoin()メソッドを使い、引数としてクロス結合の相手のデータフレームを指定します。結合のキーは不要なため、引数は1つだけです。 | closed_qa |
|
https://qiita.com/motokazu_ishikawa/items/d07ca364ecd089d926e6 | Unionとは？ | 2つのデータフレームを縦方向に結合(Union結合)します。SQLのUNION ALLとは異なり重複行がある場合でも許容されます。そのため、結合結果から重複を削除したい場合はUnion結合したデータフレームに対してさらにdistinct()を実行する必要があります。また、列の結合は、列の順番のみが考慮されます。列名が同じもの同士をUnion結合したい場合はunionByName()を使う必要があります。 | closed_qa |
|
https://qiita.com/motokazu_ishikawa/items/d07ca364ecd089d926e6 | データフレームを縦方向に結合するやり方を教えてください。 | 2つのデータフレームを縦方向に結合(Union結合)します。SQLのUNION ALLとは異なり重複行がある場合でも許容されます。そのため、結合結果から重複を削除したい場合はUnion結合したデータフレームに対してさらにdistinct()を実行する必要があります。また、列の結合は、列の順番のみが考慮されます。列名が同じもの同士をUnion結合したい場合はunionByName()を使う必要があります。
データフレームのunion()メソッドを使い、最初の引数としてUnion結合をしたい相手のデータフレームを指定します。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/2c39d2c7bcf7b1213823 | Databricksのレガシーグローバルinitスクリプト移行方法を知りたいです。 | ２つのやり方があります。まず手動で移行手順は以下となります。レガシーグローバルinitスクリプトを新たなグローバルinitスクリプトに移行するには:
既存のレガシーグローバルinitスクリプトをコピーし、UIあるいはREST APIを用いて新たなグローバルinitスクリプトフレームワークに追加します。
すべてのレガシーグローバルinitスクリプトを無効化します。
新たなグローバルinitスクリプトを有効化します。
すべてのクラスターを再起動します。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/08d3166714b53b9acc7b | 機械学習とは何か？ | 機械学習は明示的なプログラミングを行うことなしにデータからパターンを学習します。特徴量をアウトプットにマッピングする関数です。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/a9c028d4e8d8b5c49c00 | AutoMLにサポートしているアルゴリズムは何か？ | 分類モデル：Decision trees、Random forests、Logistic regression、XGBoost、LightGBM。
回帰モデル: Decision trees、Random forests、Linear regression with stochastic gradient descent、XGBoost、LightGBM
予測モデル：Prophet、Auto-ARIMA(Databricks Runtime 10.3 ML以降で利用可能) | closed_qa |
|
https://qiita.com/taka_yayoi/items/a9c028d4e8d8b5c49c00 | AutoMLでは分類問題における不均衡データセットをサポートしていますか？ | はい、サポートしています。Databricks Runtime 11.2 ML以降において、AutoMLがデータセットの不均衡を検知すると主要なクラスをダウンサンプルし、クラスの重みを追加することで、トレーニングデータセットの不均衡を削減しようとします。AutoMLはトレーニングデータセットのバランスのみを取り、テストデータセットや検証用データセットのバランスは取りません。このようにすることで、補強されておらず真のクラス分布を持つデータセットを用いて常にモデルのパフォーマンスが評価される様になります。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/a9c028d4e8d8b5c49c00 | AutoMLではモデルの説明ができますか？ | はい、AutoMLの回帰、分類ランによって生成されるノートブックには、Shapley値を計算するコードが含まれています。Shapley値はゲーム理論に基づいており、モデルの予測に対するそれぞれの特徴量の重要度を推定します。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/a9c028d4e8d8b5c49c00 | AutoMLではFeature Storeのテーブルデータを利用できますか？ | はい。Databricks Runtime 11.3 LTS ML以降では、分類問題あるいは回帰問題で使用するオリジナルのデータセットを拡張するために、Feature Storeにある既存の特徴量テーブルを活用することができます。
Databricks Runtime 12.2 LTS ML以降では、AutoMLのすべての問題: 分類、回帰、予測において、オリジナルの入力データセットを拡張するために、Feature Storeにある既存の特徴量テーブルを活用することができます。
特徴量テーブルを作成するには、Databricks Feature Store(https://qiita.com/taka_yayoi/items/88ddec323537febf7784)をご覧ください。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/e9c895c169da652c6efb | なぜDatabricksはオープンなモデルをリリースしていますか？ | 企業がAPIの先にあるプロプライエタリモデルを提供する集中管理されたLLMにデータ送信するのではなく、自身のモデルを構築することを好む理由は多数存在します。多くの企業において、AIによるメリットを享受できる問題やデータセットは、自分たちにとって最もセンシティブでプロプライエタリな知的財産であり、サードバーティにそれを引き渡すことは受け入れ難いことかもしれません。さらに、企業においては、モデルの品質、コスト、望まれる挙動に関してそれぞれのトレードオフを持っているかもしれません。多くのMLユーザーは、自分たちのモデルを直接所有することが長期的にベストであると我々は信じています。
Databricks上でDollyを構築するために活用できるシンプルなDatabricksノートブックをオープンソース化します。学習された重み情報にアクセスしたいのであれば hello-dolly@databricks.com にコンタクトしてください。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/e9c895c169da652c6efb | Unity Catalogとは？ | Azure Databricksにおけるガバナンスソリューションです。デフォルトでは有効化されていないので、有効化する必要があります。詳細はこちらご覧ください。https://learn.microsoft.com/ja-jp/azure/databricks/data-governance/unity-catalog/ | closed_qa |
|
https://qiita.com/taka_yayoi/items/e00b893c7f887a0cf599 | データストリーミング導入の課題は何か？ | 実際のところ、多くの企業においてデータストリーミングは非常に困難なものです。 | いくつかの課題があります。1. 特殊なAPIと言語スキル: 新たな言語、API、ツールを学ぶ必要があるため、データ実践者はストリーミングのスキルセットを学ぶ際に障壁に遭遇します。
2.オペレーションの複雑性: 大規模なデータストリーミングを実装するには、データチームはストリーミング固有のツールとクラウドサービスをインテグレーションし、管理しなくてはなりません。また、彼らはこれらのシステムを手動で障害から復旧させ、処理の重複なしにワークロードを再起動し、パフォーマンスを最適化し、背後のインフラストラクチャをスケールさせる必要があります。
3.互換性のないガバナンスモデル: リアルタイムデータと履歴データに対して異なるガバナンス、セキュリティモデルは、適切なユーザーに適切なアクセスを提供することや、エンドツーエンドのリネージを参照することや、コンプライアンス要件を満たすことを困難にします。 | closed_qa |
https://qiita.com/taka_yayoi/items/e00b893c7f887a0cf599 | Databricksレイクハウスプラットフォームはどのようにデータストリーミングをシンプルにするのか？ | Databricksレイクハウスプラットフォームは、データストリーミングをシンプルにする能力は３つあります。
1. ストリーミングパイプラインとアプリケーションを迅速に構築する能力
2. 自動化ツールによって簡素化されるオペレーション
3. リアルタイムデータ、履歴データに対して統合されたガバナンス | closed_qa |
|
https://qiita.com/saeoshi/items/0f19c641762af28ae551 | DatabricksからBigQueryへの接続設定はどうすればいいですか？ | DatabricksからBigqueryへの接続。Databricks(spark)ではさまざまなConnectorを用意しており、sparkで生成したDataFrameを簡単にBigQueryに書き込む OR BigQueryからtableの読み込みを行うことができます。
手順としては簡単で
BigQuery Storage APIの有効化
Service Accountの作成
temporary gcs bucketの作成
ということで簡単に行うことができます。 | closed_qa |
|
https://qiita.com/saeoshi/items/494f154886bfbddfae75 | Hyperloglogとは何ですか？ | Hyperloglogは、webサイトのUU集計などでよく使われる確率的アルゴリズムを用いたデータのカーデナリティを推測するものになります。 | closed_qa |
|
https://qiita.com/saeoshi/items/494f154886bfbddfae75 | spark-alchemyの使い方？ | Clusterへのinstall
MavenからClusterにinstallします。
library importします
サンプルデータフレーム作成します。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/f6c8c11333761f96164f | Databricksのモデルサービングのメリットは何ですか？ | Databricksモデルサービングは、統合データ & AIプラットフォームで開発された初のサーバレスリアルタイムサービングソリューションです。このユニークなサービングソリューションは、デプロイメントをシンプルにし、インテグレーションされたツールにおける間違いを削減することで、データサイエンスチームのプロダクションに至るパスを加速します。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/140b0239709ff06a4955 | Databricks SQL Statement Execution APIとは？ | Databricks SQL Statement Execution APIは、Databricksレイクハウスプラットフォームで管理されているでエータにアクセス、操作するためにREST API経由でDatabricks SQLのウェアハウスに接続することができるようになる機能です。
Databricks SQL Statement Execution APIは、データへのアクセスをシンプルにし、皆様の要件に合わせたデータアプリケーションの構築を容易にします。このAPIは非同期型であり、JDBCやODBCの際に必要な接続の管理は不要です。さらに、ドライバーをインストールすることなしにSQLウェアハウスに接続できます。従来型のアプリケーションやクラウドベースのアプリケーション、サービス、デバイスをDatabricks SQLに接続するためにStatement Execution APIを活用することができます。また、お好きなプログラミング言語でカスタムクライアントライブラリを作成することができます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/d7255aab7bb6abec22ed | Databricksにおけるデータウェアハウスとは？ | Databricksレイクハウスプラットフォームは、完全なエンドツーエンドのデータウェアハウスソリューションを提供します。Databricksレイクハウスプラットフォームはオープンな標準とAPI上に構築されています。Databricksレイクハウスは、エンタープライズデータウェアハウスのACIDトランザクションとデータガバナンスと、データレイクの柔軟性とコスト効率性を組み合わせます。Databricks SQLとは、Databricksレイクハウスプラットフォームに組み込まれている、ビジネスアナリティクスのための一般的な計算資源を提供するエンタープライズデータウェアハウスのことを指します。Databricks SQLが提供するコア機能はSQLウェアハウスとなります。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/d7255aab7bb6abec22ed | Databricksにおけるデータモデリングとは？ | Databricksは、データベースのスキーマ、テーブル、ビューのような馴染みのあるリレーションを用いて、クラウドオブジェクトストレージに各王されているDelta Lakeのデータを整理します。Databricksでは、分析データの検証、クレンジング、変換にマルチレイヤーのアプローチを取ることを推奨しています。詳細は、メダリオンアーキテクチャ(https://qiita.com/taka_yayoi/items/f3d9028cf533e2c78b9d)をご覧ください。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/d7255aab7bb6abec22ed | Databricks SQLとは？ | Databricks SQLは、レイクハウスのテーブルに対するSQLクエリー、ビジュアライゼーション、ダッシュボードのための一般的な計算資源を提供します。Databricks SQLでは、これらのクエリー、ビジュアライゼーション、ダッシュボードはSQLエディタを用いて開発、実行されます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/d7255aab7bb6abec22ed | SQLエディタとは？ | スキーマを探索し、馴染み深いSQL構文を用いてクエリーを記述、共有、再利用するためにビルトインのSQLエディタを活用します。定常的に使用されるSQLコードは、クイックに再利用するためにスニペットとして保存でき、実行時間を短縮するためにクエリーの結果はキャッシュされます。さらに、自動更新やデータに意味のある変化が生じた際にアラートを発呼するために、クエリーの更新をスケジュールすることができます。また、Databricks SQLによって、アナリストはクイックにアドホックな探索分析を行うために、ビジュアライゼーションやドラッグ&ドロップのダッシュボードを通じて、データから意味を抽出できるようになります。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/d7255aab7bb6abec22ed | Databricks SQLで利用可能なウェアハウスタイプは何か？ | Databricks SQLは、異なるレベルのパフォーマンスと機能サポートを持つ3つのウェアハウスのタイプをサポートしています。
1. サーバレス: pro SQLウェアハウスタイプのすべての機能、高度なDatabricks SQLパフォーマンス機能をサポートしています。サーバレスSQLウェアハウスタイプはデフォルトでは有効化されていません。サーバレスSQLウェアハウスタイプを有効化するには、Databricks SQL release notesをご覧ください。
Pro: (Classicと比較して)高パフォーマンスなDatabricks SQLの追加機能をサポートしており、すべてのDatabricks SQLの機能をサポートしています。pro SQLウェアハウスタイプはデフォルトで有効化されています。
Classic: エントリーレベルのパフォーマンス機能をサポートしており、限定的なDatabricks SQLの機能をサポートしています。Classic SQLウェアハウスタイプはデフォルトでは有効化されていません。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/d7255aab7bb6abec22ed | Databricks SQLのウェアハウスタイプのデフォルトは？ | サーバレスが有効化されている: UIあるいはAPIを用いてワークスペースでSQLウェアハウスを作成する際、サーバレスが有効化されていれば、デフォルトのSQLウェアハウスタイプはサーバレスとなります。
サーバレスが有効化されておらずUIを使用している: UIを用いてワークスペースでSQLウェアハウスを作成する際、サーバレスが有効化されていない場合には、デフォルトのSQLウェアハウスタイプはproとなります。
サーバレスが有効化されておらずAPIを使用している: APIを用いてワークスペースでSQLウェアハウスを作成する際、サーバレスが有効化されていない場合には、デフォルトのSQLウェアハウスタイプはclassicとなります。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/d7255aab7bb6abec22ed | Databricks SQLでサポートしているサードパーティBIツールは何か？ | Databricks SQLは、Databricksにおけるデータウェアハウスソリューションとして数多くのサードパーティBI、ビジュアライゼーションツール（https://docs.databricks.com/integrations/index.html#bi）をサポートしています。DatabricksとPowerBIやDatabricksとTableauもご覧ください。 | closed_qa |
|
https://qiita.com/motokazu_ishikawa/items/c016aea50167e89ecdc9 | カラムごとの欠損率を求める方法を教えてください。 | 様々な方法があります。例えば、display()関数を使って、カラムごとの欠損率を求めます。カラムごとの統計情報を表示する表のmissingに欠損率が表示されます。欠損率以外にも、データ数、平均、標準偏差、最小最大やデータ分布の可視化等なども表示されるため便利です。 | closed_qa |
|
https://qiita.com/maroon-db/items/88a41cd4c41241da5577 | pygwalkerとは？ | PyGWalkerはJupyter Notebookのデータ解析とデータ可視化のワークフローを簡素化し、pandasデータフレームをTableauスタイルのユーザーインターフェースに変えて、視覚的に探索することができます。とのことです。
残念ながら Sparkデータフレームには対応していない模様です。Databricksにある bamboolibに近い製品かなと思いました。 | closed_qa |
|
https://qiita.com/maroon-db/items/c5638916a55f67968585 | Azure Databricks の使用量の確認方法は何ですか？ | Azure Consoleから Databricksサービス費用を確認する方法です。Azureサービスのコスト分析をする方法として、コスト分析 というサービスメニューがあります。
クイック スタート:コスト分析を使用してコストを調査および分析する
コスト分析でコストを確認するには、Azure portal でスコープを開き、メニューで [コスト分析] を選択します。 たとえば、 [サブスクリプション] に移動し、一覧からサブスクリプションを選択して、メニューから [コスト分析] を選択します。
コスト分析で別のスコープに切り替えるには、 [スコープ] ピルを使用します。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/8e0c0ce0b22794517308 | DatabricksからLookerへ手動での接続方法を教えて！ | Lookerに接続するには以下を実行します。
LookerでAdmin > Connections > Add Connectionをクリックします。
ユニークな接続Nameを入力します。DialectではDatabricksを選択します。
Remote Hostには、要件にあったServer Hostnameを入力します。
Portには、要件にあったPortを入力します。
Databaseには、接続を通じてアクセスしたいワークスペースのデータベース名を入力します(defaultなど)。
Usernameにはtokenと入力します。
Passwordには、要件にあったパーソナルアクセストークンを入力します。
Additional Paramsには、transportMode=http;ssl=1;httpPath=<http-path>を入力し、<http-path>を要件にあったHTTP Pathを入力します。
PDT And Datagroup Maintenance Scheduleには、PDTの再生成のデフォルト頻度を変更するために適切なcronエクスプレッションを入力します。デフォルトの頻度は5分ごとです。
クエリーを別のタイムゾーンに変換したい場合には、Query Time Zoneを調整します。
残りのフィールドはデフォルトのままにします。特に:
Max ConnectionsやConnection Pool Timeoutはデフォルトのままにします。
(あなたがすべてをUTCで格納していることを前提として)Database Time Zoneはブランクのままとします。Test These Settingsをクリックします。
テストが成功したらAdd Connectionをクリックします。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/bd95bfe6457e0daa12bf | Rayとは | RayはスケーラブルなAI、Pythonワークロードを実行するための有名な計算フレームワークであり、さまざまな分散機械学習ツール、大規模ハイパーパラメーターチューニング能力、強化学習アルゴリズム、モデルサービングなどを提供しています。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/bd95bfe6457e0daa12bf | Apache Spark™で提供している分散機械学習機能は何ですか？ | Apache Spark™は、Spark MLlibを通じたさまざまな分散機械学習のための高パフォーマンスアルゴリズムと、Spark MLlib、TensorFlow、PyTorchを含む機械学習フレームワークとの密なインテグレーションを提供しています。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/bd95bfe6457e0daa12bf | DatabricksとApache SparkクラスターにおけるRayのサポートを知りたいです。 | ベストモデルを構築するために、機械学習の実践者は多くの場合、複数のアルゴリズムを探索する必要があり、RayとSparkを含む複数のプラットフォームを活用する必要が出てきます。 | RayのワークロードがDatabricksとSparkスタンドアローンクラスターでサポートされ、両方のプラットフォームでのモデル開発を劇的にシンプルにできるようになります。サポートしている機能は以下となります。
1: Databricks、SparkにおけるRayクラスターの作成
2: Ray TrainとRay RLlibによるモデルのトレーニング
3: Ray Tuneによる最適モデルの発見
4: Rayダッシュボードの参照 | closed_qa |
https://qiita.com/taka_yayoi/items/600d6e8211ebb822b6d1 | Delta Lakeによる選択的なデータの上書きの詳細を知りたいです。 | Databricksでは選択的上書き処理で2つの異なるオプションをサポートしているDelta Lakeの機能を活用しています。
replaceWhereは指定された述語にマッチするすべてのレコードを原子性を持って置き換えるオプションです。
動的パーティション上書きを用いることで、テーブルがどのようにパーティショニングされているのかに基づいてデータディレクトリを置き換えることができます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/ea082c3ab5eddde0425a | Databricks SQL Connector for Pythonはどういう機能でしょうか？ | Databricks SQL Connector for PythonはDatabricksクラスターやDatabricks SQLウェアハウスでSQLコマンドを実行するために、Pythonコードを使用できるPythonライブラリです。pyodbcのようなPythonライブラリと同じように簡単にセットアップ、使用することができます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/b50beddb8a687cd243c6 | 小さいテーブルのパーティションを作成する必要はありますか？ | 1TB以下のデータを持つテーブルのパーティションは作成しないことをお勧めします。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/b50beddb8a687cd243c6 | テーブルにおけるパーティションの最小サイズは何ですか？ | すべてのパーティションには、最低1GBのデータが含まれていることをお勧めします。少数かつ大規模なパーティションを持つテーブルは、大量の小規模なパーティションを持つテーブルよりも性能が優れている傾向があります。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/b50beddb8a687cd243c6 | Delta Lakeのパーティションは他のデータレイクのパーティションと何が違いますか？ | DatabricksやDelta Lakeは、Apache SparkやParquet、Hive、Hadoopのようなオープンソーステクノロジーの上に構築されていますが、これらのテクノロジーで有用なパーティショニングの動機づけと戦略は、一般的にDatabricksで有用とは限りません。テーブルをパーティションする決定をしたのであれば、戦略を選択する前位に以下の事実を検討してください。
パーティションの境界によってトランザクションは定義されません。Delta Lakeはトランザクションログを通じてACIDを保証するので、原子性を持つ検索を保証するために、パーティションごとにデータバッチを分割する必要はありません。
Databricksの計算クラスターは物理的メディアに束縛されたデータ局所性を持ちません。レイクハウスに取り込まれたデータはクラウドオブジェクトストレージに格納されます。データ処理の際、データはローカルディスクストレージにキャッシュされますが、Databricksでは、並列のロードにおいて最低限のデータを特定するためにファイルベースの統計情報を使用します。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/b50beddb8a687cd243c6 | Z-orderとパーティションはどのように動作しますか？ | 大規模データセットに対するクエリーをスピードアップするために、パーティションとともにZ-orderインデックスを活用することができます。
パーティションの境界とZ-orderに基づいたクエリー最適化戦略を計画する際、以下のルールを意識することが重要となります。
Z-orderはOPTIMIZEコマンドと連携して動作します。パーティション教会をまたがるファイルを結合することはできないので、Z-orderクラスタリングはパーティション内でのみ発生します。パーティションが作成されていないテーブルでは、テーブル全体でファイルを結合することが可能です。
パーティションはカーディナリティの低い、あるいは既知のフィールド(日付のフィールドや物理的位置など)でのみうまく動作しますが、タイムスタンプのようにカーディナリティの高いフィールドではうまく動作しません。Z-orderは、カーディナリティの高いフィールド、無限に成長するフィールド(たとえば、トランザクション、注文テーブルにおけるタイムスタンプや顧客ID)を含むすべてのフィールドで動作します。
パーティショニングで使用したフィールドにZ-orderを行うことはできません。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/b50beddb8a687cd243c6 | そんなにパーティションが悪いのであれば、なぜいくつかのDatabricksの機能はそれらを活用するのですか？ | パーティションは特に非常に大きなテーブルにおいては有効です。パーティショニングに関する数多くのパフォーマンス強化は、非常に大きなテーブル(数百TB以上)にフォーカスしています。
多くのお客様は、ParquetベースのデータレイクからDelta Lakeに移行しています。CONVERT TO DELTA文によって、既存のデータを再度書き込むことなしに、ParquetベースのテーブルをDeltaテーブルに変換することができます。このようにして、多くのお客様は以前のパーティション戦略を継承する大規模なテーブルを手にすることができます。Databricksによって開発されるいくつかの最適化処理は、可能な限りこれらのパーティションを活用しようとし、Delta Lake向けに最適化されていないパーティション戦略のいくかの副作用を軽減します。
Delta LakeとApache Sparkはオープンソーステクノロジーです。Databricksでは、パーティションへの依存度を削減する機能の導入を進めますが、オープンソースコミュニティでは、複雑性を増加させるような新機能を構築し続けるかもしれません。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/b50beddb8a687cd243c6 | カスタムのパーティショニングを用いてDatabricksのビルトインの最適化処理を上回ることは可能ですか？ | Apache SparkやDelta Lakeの経験が豊富である何人かのユーザーは、取り込み時間クラスタリングよりも優れたパフォーマンスを提供するパターンを設計、実装することができるかもしれません。まずいパーティショニング戦略の実装は、後段におけるパフォーマンスに対する非常にネガティブな反動を引き起こす可能性があり、修正するためにはデータの完全な再書き込みが必要になるかもしれません。コストのかかる非効率性を招くことがないように、多くのユーザーにはデフォルト設定を使用することをお勧めします。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/5b6e4537b086775a408a | Databricks SQLとは何か？ | Databricks SQLは、Databricksレイクハウスプラットフォームにビルトインされているエンタープライズデータウェアハウスです。Databricks SQLのコアの提供機能はSQLウェアハウスと呼ばれる最適化計算リソースです。
Databricks SQLは、Databricksレイクハウスプラットフォームにビルトインされているエンタープライズデータウェアハウスです。Databricks SQLのコアの提供機能はSQLウェアハウスと呼ばれる最適化計算リソースです。
Databricksは、SQLクエリー、ビジュアライゼーション、ダッシュボードを構成、実行するためにSQLペルソナとして知られるUIツールのコレクションを提供します。
SQLウェアハウスは、サードパーティのBI、可視化ツールを含む様々な環境で実行されるSQLクエリーに対する一般的な計算資源を提供します。また、Databricks SQLは堅牢なAPIを提供しています。
Databricks SQLの最新機能に関しては、Databricks SQL release notesをご覧ください。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/5b6e4537b086775a408a | Spark SQLとは？ | Spark SQLという用語は、技術的にはSparkデータフレームを使用するすべてのオペレーションすべてに適用されます。Spark SQLはSQLクエリーのサポートとPython、Scala、R、Java用のDataFrame APIを導入したSpark 2.xにおけるSpark RDD APIを置き換えました。
DatabricksのドキュメントではSQLのクエリーや機能を説明する際には、多くの場合Spark SQLを使用しています。Databricksランタイムの計算資源に対して実行されたSQLクエリーは、Delta Lakeに対するビルトインの拡張プロトコルと、プロプライエタリのDatabricksの機能と、オープンソースのApache Sparkの機能に密接にマッピングされます。SQL referenceで、利用可能なすべての機能と実行コンテキスト間での違いを学ぶことができます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/5b6e4537b086775a408a | Spark SQLとDatabricks SQLの違いは何ですか？ | Databricks SQLは最適化された計算環境ですが、Spark SQLはApache Spark APIのコレクションを表現しています。DatabricksではSQL開発者がETLや分析のような作業を行い、ダッシュボードを作成するための様々なツールやテクノロジーを提供しています。エンタープライズデータウェアハウスに関しては、Databricks SQLをお勧めします。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/5b6e4537b086775a408a | DatabricksにおけるSQLはオープンソースApache Sparkとどう違うのか？ | 実行環境に関わらず、DatabricksにおけるSQLは他の場所で実行されるApache Spark SQLと大きな違いはありません。3つの異なる計算資源に対して、一般的なクエリーやステートメントを実行するために、DatabricksでSQLを使用することができます。これらの環境のすべては、オープンソースApache Sparkで利用できない数多くのコマンドを追加しており、Delta Lakeに関連するすべてのSQLクエリーを実行できるように事前設定されています。
Unity Catalogが有効化されたワークスペースでは、数多くの追加キーワードやコマンドを利用できます。ビルトインのHiveメタストアではなく、Unity Catalogに対して実行する際、いくつかのSQLコマンドは異なる挙動をすることに注意してください。
これらの計算資源の選択肢のそれぞれでは、若干異なるセマンティックスと文法を持っています。一般的にいうと:
DatabricksランタイムコンピュートにおけるSQLは、オープンソースApache Sparkの処理と最も近いものになっています。
Delta Live Tablesで実行されるSQLは、一般的にDatabricksランタイムの文法とセマンティクスを継承していますが、Delta Live Tables固有のキーワードや関数が追加されています。
SQLウェアハウスで実行されるSQLは最もANSI標準に近いものとなっています。HiveQL、変数宣言、変数参照、DButilsウィジェットを含むDatabricksランタイムコンピュートに対してDatabricksノートブックで実行されるSQLでサポートされている多くの機能は、SQLウェアハウスでは動作しません。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/5c96612e462a7916eaa5 | Databricksにおけるノーコードの機械学習の機能を知りたいです。 | Databricksは完全に自動化された機械学習機能と言われているAutoMLを提供しています。Databricks AutoMLはシチズンデータサイエンティストに対してガラスボックスアプローチを提供し、データの前処理、特徴量エンジニアリング、モデルトレーニング、チューニングのヘビーリフティングを自動化することで、チームはクイックに機械学習モデルを構築、トレーニング、デプロイすることができます。
Databricksにおける機械学習に固有のものですが、UIで実行されたすべてのステップは、内部でプロダクションレベルのコードとして生成されます。
エキスパートのデータサイエンティスト、機械学習エンジニアはコードを調査し、自身のカスタマイゼーションを追加することができ、規制に対応する部署は再現性や透明性が重要になるケースで、これらを参照することができます。Databricks Machine LearningはネイティブでMLflowとインテグレーションされており、前処理から特徴量エンジニアリング、トレーニング、デプロイメントに至るまで、きめ細かいエクスペリメント追跡やバージョン管理を実現します。
完全なリネージトラッキングや自動生成コードの登録に関するDatabricksのサポートは、皆様のデータサイエンスプロジェクトがセキュアで、法令に準拠しており、追跡可能であることを保証します。特徴量の説明可能性は、生成されたモデルにおいてどの入力が最も重要であるのかに関する洞察を提供します。これによって、ユーザー、データサイエンティスト、機械学習エンジニア、IT、リーガル、コンプライアンス部門などさまざまなチームがコラボレーションする基盤を構築することができます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/44a5bb667e4f6dc7491d | Apache SparkとMLflowを用いた分散ハイパーパラメータチューニング方法を知りたいです。 | チューニングを分散するには、fmin()の引数にSparkTrialsと呼ばれるTrialsクラスを追加します。
1: SparkTrialsは2つのオプションの引数を受け取ります:
parallelism: 同時にフィット、評価するモデルの数。デフォルトは利用可能なSparkタスクのスロット数です。
2: timeout: fmin()を実行できる最大時間(秒数)です。デフォルトは時間制限はありません。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/44a5bb667e4f6dc7491d | Hyperoptとは？ | HyperoptはハイパーパラメーターチューニングのためのPythonライブラリです。Databricks機械学習ランタイムには、最適化かつ強化されたバージョンのHyperopt、分散チューニング向けの自動MLflowトラッキング、SparkTrialsクラスが含まれています。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/44a5bb667e4f6dc7491d | Hyperoptのワークフローを教えてください。 | Hyperoptのワークフローにおけるステップは以下の通りです:
1: 最小化する関数を定義
2:ハイパーパラメーターに対する探索空間を定義
3: 探索アルゴリズムを選択
4: Hyperoptのfmin()を用いてチューニングアルゴリズムを実行
詳細はHyperopt documentationをご覧ください。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/69edceb96139ada695e4 | トランスフォーマーモデルとは？ | トランスフォーマーモデルは、これまでの手法よりも効果的かつ効率的にテキストのセマンティックを捕捉するセルフアテンションというニューラルネットワークアーキテクチャを活用しています。また、これらは、モデルの開発者によってmasked language modelingやnext sentence predictionのようなテクニックを用いて大規模テキストコーパスによってトレーニングされたことを意味する転送学習という形態を取ります。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/69edceb96139ada695e4 | Hugging Faceとは | Hugging Faceはトランスフォーマーモデルを発見・アクセスしやすくすることにフォーカスしている企業です。多様なモデルやデータセットへのアクセスを提供しています。Hugging Faceによってメンテナンスされているtransformersライブラリを用いることで、お使いのDatabricksワークスペースでアーティファクトをダウンロードし、使用することができます。このライブラリはDatabricks機械学習ランタイムバージョン10.4以降に含まれており、それより新しいバージョンではpipでインストールすることができます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/69edceb96139ada695e4 | トークナイザーは何のため使用しますか？ | トークナイザーはいくつかの前処理ステップを実行します。最初に、テキストをトークンに分割し、トークンをモデルのボキャブラリーにマッピングします。BERTのボキャブラリは、単語、単語の断片、数字、句読点や記号の30,522エントリーから構成されています。また、モデルには観測の開始地点([CLS])や文の区切り([SEP])のような情報を捕捉する特殊なトークンが含まれています。
また、トークナイザーは入力シーケンスの切り取りとパディングを行います。それぞれのモデルには、許容できるトークン化シーケンスの最大長を持っています。BERTや多くの他のモデルでは、その長さは512トークンです。入力テキストをトークン化する際、最初の512トークン以降に生成されたすべてのトークンは削除、あるいは「切り取られ」ます。
さらに、トークンのシーケンスは「パディング」されます。トランスフォーマーモデルは、一度のすべてのトレーニングデータセットに対してトレーニングするのではなく、データのバッチに対してトレーニングされます。それぞれのバッチは同じ長さである必要がありますが、観測されるテキストの長さは大きく異なります。トークン化されたあるシーケンスは512要素よりもはるかに長いかも知れませんし、他のものははるかに短いかもしれません。均一な長さにする必要がある際、パディングによってトークン化されたシーケンスにゼロが追加されます。ゼロの値はBERTのボキャブラリの特殊トークンである[PAD]を表します。
トークナイザーの切り取りとパディングの挙動は設定可能であり、テストし比較することができる様々な戦略が存在します。トレーニング時間を短縮するために切り取りを行いますが、より長いシーケンスが一般的である場合、情報の損失によって予測パフォーマンスの妨げになることがあります。優れた汎用的な戦略としてdynamic paddingを検討してください。このテクニックはトークン化ではなくモデルトレーニングの際にシーケンスをパディングします。ダイナミックパディングは、バッチで最長の長さにそれぞれのバッチをパディングし、パディングされるトークンの数が最小になるように維持します。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/69edceb96139ada695e4 | トランスフォーマーモデルの最適化の方法がありますか？ | トランスフォーマーモデルは、トレーニングし推論に適用するには大規模で膨大な計算量を必要とします。より最近のアーキテクチャのいくつかはさらに大規模なものとなっています。 | モデルのトレーニング時間を削減し、推論をスピードアップする方法があります。
モデルのファミリーにdistilled models(蒸留モデル)というものがあり、これは大規模なモデルである「教師」を小規模なバージョンである「生徒」に圧縮することで、モデルのサイズと計算処理の複雑度を削減します。Hugging Faceモデルハブにおいては、通常これらのモデルの名前にはdistilが含まれており、distilbert-base-uncasedといったものとなります。蒸留モデルはよりクイックにファインチューンし、大規模な教師よりも高速に推論を行うことができます。以下のエクスペリメントでは、映画のレビューと感情を含むIMDB datasetに対するモデルを比較しています。モデルサイズ、GPUメモリー消費、トレーニング時間、すべての評価用データセットのスコアリングに要した時間の大きな違いに注意してください。興味深いことに、予測パフォーマンスはモデル全体で大きな違いはありません。
蒸留の他に、トレーニングの設定とGPUタイプは大きなインパクトをもたらします。ファインチューニングのプロセスを管理するトランスフォーマーのTrainerクラスの設定を調整することで、トレーニングと推論の時間を劇的に削減することができます。IMDBデータセットに対してモデルのファインチューニングを行う際、バッチサイズやトレーニングにおける数値精度、勾配集積ステップに関係する設定の調整は、単一のトレーニングエポックにおけるトレーニングと推論の時間の大きな削減につながりました。
さらに、GPUタイプの選択はトレーニングと推論の時間にインパクトを与えます。
GPUインスタンスはトレーニングに必要で、推論も劇的に高速化しますが、GPUの推論はオプションです。CPUによる推論を加速するには量子化と蒸留モデルの使用を検討してください。量子化は、推論のレーテンシーを削減するために、高速でより精度の低い数値表現を使用します。これは、ファインチューンされたトランスフォーマーモデルに容易に適用することができます。 | closed_qa |
https://qiita.com/taka_yayoi/items/f0bd49ff990774c7e92c | Databricksにおけるリアルタイム特徴量計算処理のベストプラクティスがありますか？ | Databricks Feature StoreとMLflowを用いた最新かつ高精度なデータによる、リアルタイムモデルを提供するための最も効果的なアーキテクチャと技術を説明するためのサンプルを提供します。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/d32fb1e1d7e56a5044c5 | Databricksによるリクエスト制限超過による停止への解決策を教えてください。 | 正当なワークフローにおいて制限に到達した場合は、以下のことを行うことを推奨しています。
・数分後にリクエストをリトライします。
・計画された時間フレームで繰り返されるワークフローを均等に分散します。例えば、1時間ごとに全てのジョブをスケジュールするのではなく、1時間で異なる間隔にジョブを分散します。
・クラスターをより大きなノードタイプにし、ノード数を削減することを検討します。オートスケーリングクラスターを使用します。
これらの選択肢がうまく行かない場合、コア数に対する制限増加をリクエストするためにDatabricksサポートにコンタクトしてください。
Databricksによる他の停止理由に関しては、Termination Codeをご覧ください。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/a4680026e855cb9d0012 | Databricksクラスター起動時のクラスターのタイムアウトの解決策を教えてください。 | HiveのライブラリをDBFSに格納し、DBFSロケーションからローカルにアクセスしてください。Spark Options (https://docs.databricks.com/archive/external-metastores/external-hive-metastore.html#spark-options)をご覧ください。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/a4680026e855cb9d0012 | Databricksクラスター起動時のクラスターのタイムアウトエラーになる原因は何ですか？ | 原因はいくつあります。
1: クラスターのタイムアウト。外部のHiveメタストアに接続しており、MavenリポジトリからすべてのHiveメタストアライブラリをダウンロードしようとする際、起動に失敗することがあります。クラスターは依存関係を含む約200個のJARファイルをダウンロードします。Databricksのクラスターマネージャがドライバーノードが5分以内に準備できたことを確認できない場合、起動に失敗します。これは、JARのダウンロードに時間がかかりすぎることによって発生します。
2: グローバルあるいはクラスターのinitスクリプト。クラスターの起動ステージにおいて実行されるinitスクリプトは、スクリプトをワーカーのローカルで実行するためにそれぞれのワーカーマシンにRPC(リモートプロシージャコール)を送信します。すべてのRPCはプロセスを継続する前に自分のステータスを返信しなくてはなりません。(ネットワークの問題などによって)いずれかのRPCに問題が生じて返信せず、1時間のタイムアウトになる場合があり、結果としてセットアップのジョブが失敗します。
3: クラスターUIでインストールしたライブラリが多すぎる。通常このエラーはクラウドプロバイダーによって引き起こされます。
4: クラウドプロバイダーによるシャットダウン。通常このエラーはクラウドプロバイダーによって引き起こされます。
5: インスタンスに到達できない(Azure)。通常このエラーはクラウドプロバイダーによって引き起こされます。特に、(新規のAzure Databricksワークスペースを起動する際に作成されるデフォルトのVNetではなく)自分のバーチャルネットワーク(VNet)にAzure Databricksワークスペースをデプロイした際に発生します。ワークスペースがデプロイされているバーチャルネットワークがすでにオンプレミスのリソースに対するExpressRoute接続とピアリングしてるあるいは接続を有している場合、Azure Databricksがクラスターを作成しようとした際、バーチャルネットワークはクラスターノードにssh接続を行うことができません。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/d0f872d0d8d9c6b20beb | dbdemosとは？ | Databricksのデモで使用するようなノートブックを簡単に入手することができます。
使い方は簡単です。Databricksノートブックで以下を実行してライブラリをインストールします。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/3508f290b17f34ac4616 | Databricksワークフローにおけるdbtプロジェクトのオーケストレーションサポートを知りたいです。 | ワークフローにおけるdbtサポートによって、お使いのdbtプロジェクトがGitリポジトリから取得され、dbt-coreとプロジェクトの依存関係がインストールされたシングルノードクラスターが起動されます。dbtによって生成されたSQLはサーバレスSQLウェアハウスで実行され、容易なデバッグと優れたパフォーマンスを提供します。また、失敗したジョブの復旧や、dbtタスクが失敗した際にSlackやwebhookを通じたアラートの送信のような堅牢かつ運用向けの機能、Jobs APIを通じたログのようなdbtアーティファクトの取得やジョブの管理機能もあります。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/29a3cd88b16c30002bd2 | DatabricksのGPU有効化クラスターの作成の方法を教えてください。 | GPUクラスターの作成は他のSparkクラスターの作成と同様です(Databricksクラスターをご覧ください)。以下に注意する必要があります。
Databricks Runtime Versionは、**Runtime 9.1 LTS ML (GPU, Scala 2.12, Spark 3.1.2)**のようにGPU有効化バージョンである必要があります。
Worker TypeとDriver TypeはGPUインスタンスタイプである必要があります。
Sparkを必要としないシングルマシンのワークフローにおいては、ワーカー数をゼロに設定することができます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/29a3cd88b16c30002bd2 | DatabricksでサポートしているGPU高速化インスタンスタイプは何か？ | Databricksでは以下のGPU高速化インスタンスタイプをサポートしています。
・P2 instance type series: p2.xlarge, p2.8xlarge, p2.16xlarge。P2インスタンスは特定のAWSリージョンでのみ使用できます。詳細については、Amazon EC2 Pricingをご覧ください。GPU有効化クラスターを起動するために、ご自身のDatabricksデプロイメントがサポートされているリージョンに存在している必要があります。P2インスタンスのオンデマンドのデフォルト制限数は1です。P2インスタンスではストレージのためのEBSが必要です。
・P3 instance type series: p3.2xlarge, p3.8xlarge, p3.16xlarge。P3インスタンスは特定のAWSリージョンでのみ使用できます。詳細については、Amazon EC2 Pricingをご覧ください。GPU有効化クラスターを起動するために、ご自身のDatabricksデプロイメントがサポートされているリージョンに存在している必要があります。
・P4d instance type series: p4d.24xlarge。P4dインスタンスではDatabricksランタイム9.1 LTS ML以降が必要です。
・プロダクションに機械学習モデルをデプロイすることに最適化されているG4 instance type series
・画像を大量に使用する様々なユースケースや機械学習ユースケースで使用できるG5 instance type series。G5インスタンスではDatabricksランタイム9.1 LTS ML以降が必要です。
すべてのGPU高速化インスタンスタイプでは、以下のことに留意してください。
・Amazonのスポットインスタンス価格の高騰によって、GPUスポットインスタンスを保持することは困難です。必要であればオンデマンドを使用してください。
・GPU有効化クラスターを作成するためには、制限の増加をリクエストする必要があるかもしれません。
・サポートされているGPUインスタンスタイプとそれらの特性の一覧については、Supported Instance Typesをご覧ください。 | closed_qa |
|
DICOMとは？ | Wikipediaで調べると次のように書かれています。
名称は Digital Imaging and Communications in Medicine（医療におけるディジタル画像と通信） の略である。米国放射線学会（英語版）とアメリカ電機工業会が制定した規格で、異なる製造業者の医用画像機器間で画像転送を可能とすることを目的としている。
要するに、医療用の画像データのようです。拡張子は「dcm」。
ダブルクリックして開けるようなものではなく、「DICOMビューア」というツールを使って画像を表示する必要があるようです。 | closed_qa |
||
https://qiita.com/taka_yayoi/items/08f3a170827ab8df56bd | DatabricksでサポートしているIDEは何か？ | VScodeをサポートしています。VS Code Extension for Databricksという機能によって、開発者はローカルでコードを記述し、IDEのパワフルなオーサリング機能を活用しつつも、リモートのDatabricksクラスターに接続することができます。IDEによって、開発者は大規模なコードベースにおいて必要となるソースコード管理、モジュール化されたコードのレイアウト、リファクタリングのサポート、インテグレーションされたユニットテストのようなベストプラクティスを活用することができます。
これは開発プロセスでIDEを活用しているチーム向けに計画されている数多くのリリースの最初の一つとなります。Databricksでは、開発者のエコシステムに多大なる投資をしており、今後は他のIDEのサポートや追加のツールがロールアウトされます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/f12084bc2deb06d47762 | Databricksで使用できるデータソース、BIツール、開発ツールからなる大規模なラインナップにどのように接続するか | 様々なインテグレーションを提供しています。Partner Connect: Partner Connectは、お使いのDatabricksクラスターやSQLウェアハウスとよりクイックかつ簡単にインテグレーションするための検証済みソリューションに対するユーザーインタフェースです。
データソース: DatabricksはCSV、Delta Lake、JSON、Parquet、XMLなどの様々なデータフォーマットや、Amazon S3、Google BigQueryやCloud Storage、Snowflakeなどのデータストレージプロバイダーのデータを読み書きすることができます。
BIツール: Databricksでは、Power BI、Tableauなどを含むお使いのBIツールとのインテグレーションを検証しており、多くの場合、ローコードやノーコードの体験でDatabricksクラスターやSQLウェアハウスを通じてデータを操作することができます。
その他のETLツール: すべてのタイプのデータソースに対するアクセスに加えて、Databricksではdbt、Prophecy、Azure Data FactoryのようなETL/ELTツール、Airflowのようなデータパイプラインオーケストレーションツール、DataGrip、DBeaver、SQL Workbench/JのようなSQLデータベースツールとのインテグレーションを提供しています。
IDEとその他の開発ツール: Databricksでは、DataGrip、IntelliJ、PyCharm、Visual Studio Codeのような開発ツールをサポートしており、コードを記述することでDatabricksクラスターやSQLウェアハウスを通じてデータを操作することができます。
Git: Databricks Reposは、お使いのGitプロバイダーとのリポジトリレベルのインテグレーションを提供するので、Databricksノートブックでコードを開発し、リモートのGitリポジトリと同期することができます。Databricks ReposによるGit連携をご覧ください。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/8234bc6ecf9bdfdd16ba | Tableau CloudからDatabricksに接続する方法を知りたいです。 | Tableau CloudからDatabricksのデータにアクセスするには、以下のリソースと情報が必要となります。
パーソナルアクセストークン
SQLウェアハウス: サーバーのホスト名とHTTPパス | closed_qa |
|
https://qiita.com/taka_yayoi/items/8234bc6ecf9bdfdd16ba | Databricksのパーソナルアクセストークンを取得したいですがどうしたらいいですか？ | Databricks外部からDatabricksにアクセスする際に必要になるトークンです。トークン作成権限がない場合には、Databricks管理者にこちらの手順に従って機能を有効化するよう依頼してください。
1: Databricksワークスペースにログインします。
2: サイドバーのペルソナスイッチャーからSQLを選択して、Databricks SQLにアクセスします。
3: トップバーのご自身のユーザー名をクリックし、ユーザー設定を選択します。
4: Personal access tokensタブをクリックします。
5: 新規トークンを生成ボタンをクリックします。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/8234bc6ecf9bdfdd16ba | Databricksにおけるパーソナルアクセストークンの管理をどうすればいいですか？ | ワークスペースでパーソナルアクセストークンを作成する機能が有効化されている場合、ワークスペース管理者は、トークンを監視し、どの非管理者ユーザーがトークンを作成、使用できるのかを管理し、新規トークンにおける最大有効期限を設定することもできます。
ワークスペースでパーソナルアクセストークンを生成する機能が有効化されると、デフォルトではDatabricksワークスペースのすべてのユーザーがDatabricks REST APIにアクセスするためにパーソナルアクセストークンを生成することができ、無期限のトークンを含み好きな有効期限でトークンを生成することができます。
Databricks管理者としては、よりきめ細かいレベルでトークン使用をコントロールするために、Token Management API 2.0やPermissions API 2.0を活用することができます。これらのAPIはそれぞれのワークスペースインスタンスで公開されています。どのようにAPIにアクセスし、認証を受けるのかに関しては、Databricksパーソナルアクセストークンを用いた認証をご覧ください。Databricks管理者としてAPIにアクセスする必要があります。
いくつかのタスクに関しては、管理コンソールを活用することもできます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/8bdbc2605046425b6f18 | Delta Lakeのgenerated columnとは？ | Delta Lakeでは、Deltaテーブルの他のカラムに対するユーザー定義関数に基づいて自動的に生成される値を持つ特殊なタイプのカラムをサポートしています。自動生成されたカラムはgenerated columnと言います。generated columnを有するテーブルに書き込みを行う際、それらのカラムに対して明示的に値を指定する必要はなく、Delta Lakeは自動で値を計算します。例えば、(日付でテーブルをパーティショニングするために)タイムスタンプのカラムから自動で日付のカラムを生成することができます。テーブルに書き込みを行う際に必要なのはタイムスタンプのカラムのデータを指定することだけです。しかし、明示的に値を指定する際には、値は制約(<value> <=> <generation expression>) IS TRUEを満足する必要があり、そうでない場合には書き込みはエラーとなり失敗します。generated columnを持つテーブルでは、デフォルトよりも新しいテーブルライタープロトコルが必要となります。テーブルプロトコルのバージョンが何で、新しいテーブルプロトコルのバージョンを設定することが何を意味するのかを理解するためには、Delta Lakeのテーブルプロトコルのバージョン管理をご覧ください。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/8bdbc2605046425b6f18 | Delta Lakeのgenerated columnの活用方法を知りたいです。 | generated columnは通常のカラムと同じように格納されます。すなわち、ストレージを消費します。
generated columnには以下の制約があります。
・生成のエクスプレッションには、以下のタイプの関数を除いて同じ引数を与えた際に同じ結果を常に返却するSparkにおけるSQL関数を使用することができます。
・ユーザー定義関数
・集計関数
・ウィンドウ関数
・複数の行を返す関数
・Databricksランタイム8.4以降でのPythonサポートでは、Delta Lakeはパーティションカラムが以下のエクスプレッションのいずれかで定義された際には常に、クエリーに対するパーティションフィルターを生成することができます。
・CAST(col AS DATE)およびcolの型がTIMESTAMP
・YEAR(col)およびcolの型がTIMESTAMP YEAR(col), MONTH(col)によって2つのパーティションカラムが定義され、colの型がTIMESTAMP
・YEAR(col), MONTH(col), DAY(col)によって3つのパーティションカラムが定義され、colの型がTIMESTAMP
・YEAR(col), MONTH(col), DAY(col), HOUR(col)によって4つのパーティションカラムが定義され、colの型がTIMESTAMP
・SUBSTRING(col, pos, len)であり、colの型がSTRING
・DATE_FORMAT(col, format)であり、colの型がTIMESTAMP
・上述のエクスプレッションのいずれかでパーティションカラムが定義され、生成エクスプレッションのベースとなるカラムを用いてクエリーがデータをフィルタリングする際、Delta Lakeはベースのカラムと生成されたカラムの関係性を参照し、可能であれば生成されたパーティションカラムに基づいてパーティションフィルターを生成します。例えば、以下のテーブルを考えます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/d85855c94474141e479c | 以前のバージョンのテーブルへのクエリー(タイムトラベル)をどうすればいいですか？ | Delta Lakeのタイムトラベルによって、Deltaテーブルの過去のスナップショットに対してクエリーを行うことができます。
テーブルの過去のバージョンにクエリーを行うには、SELECT文でバージョンあるいはタイムスタンプを指定します。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/d85855c94474141e479c | テーブルの最適化の機能を教えてください。 | テーブルに対して多数の変更を加えると、大量の小規模なファイルが生成される場合があります。 | クエリーの読み込みスピードを改善するには、小さなファイルを大きなファイルにまとめるためにOPTIMIZEを使用することができます。 | closed_qa |
https://qiita.com/taka_yayoi/items/d85855c94474141e479c | テーブルの読み込み性能を改善するためにどうすればいいですか？ | 様々な改善方法があります。ここでは2つの方法を紹介します。1. カラムによるZ-order。Z-Orderingによって関連する情報を同じファイルセットに共存させることができます。この局所性は読み込むべきデータの量を劇的に削減するために、Delta Lakeによるデータスキッピングアルゴリズムによって自動的に活用されます。データをZ-Orderするには、ZORDER BY句に並び替えるカラムを指定します。genderでZ-Orderするには以下を実行します。
2: VACUUMによるスナップショットのクリーンアップ。Delta Lakeは読み込みにおいてスナップショットのアイソレーションを提供し、これはユーザーやジョブがテーブルにクエリーを行っている際においてもOPTIMIZEを安全に実行できることを意味します。しかし、最終的には古いスナップショットを削除しなくてはならなくなります。VACUUMコマンドを実行することでこれを実現することができます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/f0e2ef2b11c679edb079 | ローカルのファイルをリモートのDatabricksワークスペースとリアルタイムで同期するやり方を知りたいです。 | Databricks Labsのdbxを活用することで、ご自身のローカル開発マシンにあるファイルの変更をDatabricksワークスペースで対応するファイルにリアルタイムで同期することができます。これらのワークスペースファイルはDBFSあるいはDatabricks Reposに格納することができます。
dbxによるリアルタイムファイル同期(dbx sync)は、迅速なコード開発シナリオで有用です。例えば、シンタックスのハイライト、スマートなコードコンプリーション、コードリンティング、テスト、デバッグのような生産性を高める機能のためにローカルの統合開発環境(IDE)を活用することができます。そして、更新したコードをワークスペースですぐに実行することができます。
自動化ジョブやIDEでdbx syncを活用することができます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/f0e2ef2b11c679edb079 | dbx syncの開発手順を教えてください。 | dbx syncの開発ワークフローには2つあり、DBFSを用いるものとDatabricks Reposを用いるものです。
dbx syncとDBFSによる典型的な開発ワークフローは:
1. DBFSに同期したいファイルを格納するローカルディレクトリを特定します。
2. ローカルディレクトリを同期するDBFSのパスを特定します。
3. ローカルディレクトリをDBFSパスに同期するためにdbx sync dbfsを実行します。dbx syncがローカルディレクトリにおけるファイルの変更の監視をスタートします。
4. 必要に応じてローカルディレクトリのファイルを変更します。dbx syncがこれらの変更をリアルタイムでDBFSで対応するファイルに適用します。
dbx syncとDatabricks Reposによる典型的な開発ワークフローは:
1. 使用できるリポジトリが無い場合には、Databricks ReposをサポートするGitプロバイダーのリポジトリを作成します。
2.Databricksワークスペースにリポジトリをクローンします。
3. ローカル開発マシンにリポジトリをクローンします。
4. ローカルにクローンされたリポジトリとワークスペースにクローンされたリポジトリを関連づけるためにdbx sync repoを実行します。dbx syncがローカルディレクトリにおけるファイルの変更の監視をスタートします。
5. 必要に応じてローカルにクローンしたリポジトリのファイルを変更します。dbx syncがこれらの変更をリアルタイムでDatabricks Reposで対応するファイルに適用します。
6. リポジトリがお使いのGitプロバイダーと同期されるように、ワークスペースにクローンしたリポジトリから定期的にGitプロバイダーにプッシュします。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/801eca293237cf5ceb29 | Databricksワークスペース移行ツールは何ですか？ | あるワークスペースのアセットを別のワークスペースに移行する際に活用できる移行ツールがGithubで公開されています。https://github.com/databrickslabs/migrate | closed_qa |
|
https://qiita.com/taka_yayoi/items/b38fb466aeb0d23b805b | Databricksノートブックで変数エクスプローラがサポートされていますか | はい、サポートしています。画面右のメニューにが{x},表示されるようになります。
コードを実行し、変数が生成された状態で{x},をクリックして、変数エクスプローラを展開することで、変数の中身を確認することができるようになります。
値、データ型、形状が表示されます。なお、PySparkデータフレームに関しては、形状の計算に計算リソースを必要とするので、行数は?と表示されます。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/fddef839b8a45c83d1b7 | ワークスペースのサブネットに関して質問です。通常、ユーザーはワークスペースにどの程度のサイズのサブネットを使用しますか？ | サブネットのサイズはお客様によって異なります。しかし、あなたのレイクハウスアーキテクチャで必要となるであろうApache Spark (™)ノード数を計算することで推定することは可能です。それぞれのノードでは2つのプライベートIPアドレスが必要となり、一つはトラフィックの管理、もう一つはApache Spark (™)アプリケーション用です。ワークスペースでネットマスク/26のサブネットを二つ作成すると、単一のサブネットで合計64個のIPアドレスを作成できることになり、AWSが最初の4つのIPアドレスと最後のIPアドレスを使用するので、59個が利用できることになります。これは、最大約32ノードを使用できることを意味します。最終的には、サブネットをのサイズを適切に設定するために、より小さい大量のサブネット(US-EAST-1での6サブネットなど)やより大きい少数のサブネットを経由するのかなど、皆様のユースケースから逆算することが可能です。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/fddef839b8a45c83d1b7 | 様々な開発用ワークスペースに単一の専用VPCを割り当てたい場合、これらを分割するための推奨はありますか？ | アドレス空間11.34.88.0/21のVPCを5つのワークスペースにブレークダウンしてみましょう。その後では、使用法に基づいて適切なワークスペースにユーザーを割り当てなくてはいけません。もし、ユーザーが数百Gバイトのデータを処理するために非常に大きいクラスターを必要としているのであれば、彼らをX-Largeに割り当ててください。もし、小規模なデータのサブセットに対してインタラクティブな分析を行うのであれば、smallワークスペースに割り当ててください。 | closed_qa |
|
https://qiita.com/taka_yayoi/items/fddef839b8a45c83d1b7 | ワークスペースのサブネットを他のワークスペースで使えないのはなぜですか？ | クラスターをデプロイやリサイズする際に、IP枯渇によってエンドユーザーがインパクトを受けないように、アカウントレベルでサブネットが重複しないことを強制しています。これが、企業のデプロイメントにおいて、同じサブネットに他のリソースを配置しないよう警告している理由です。単一のワークスペースでIPの利用を最適化するために、すべてのクラスターで自動アベイラビリティゾーン(auto-AZ)のオプションを使用することをお勧めしています。
そして、顧客管理VPCではVPCやサブネットを移動するなど、必要に応じていつでもネットワーク設定を切り替えることができることを覚えておいてください。 | closed_qa |
End of preview. Expand
in Dataset Viewer.
データセット概要
手動で作成したDatabricksに関する質問と回答ペアの日本語データセットです。
- 件数：約1,300件
- 情報源：Databricks HPの日本語ブログやFAQなど、データブリック社員がポストしたQitta記事
https://github.com/yulan-yan/build-your-chat-bot-JP デモに利用したデータです。
- Downloads last month
- 91