全ての人がビッグデータを活用できる「NYSOL」 | 第一線で活躍するオープンソースエキスパートが綴るスペシャルコラム。

全ての人がビッグデータを活用できる「NYSOL」

[2016年08月02日 ]
株式会社KSKアナリティクス

 NYSOL(「にそる」と読みます。)とは、大規模データの解析に関する様々な大学やプロジェクトでの研究成果を、広く産業界に還元する目的で構築されたソフトウェアツールの総称およびそのプロジェクト活動です。

 データ分析では、分析の手法やアルゴリズムにフォーカスしがちですが、実は一番時間と労力を割くのは、分析アルゴリズムに投入するためのデータを加工する「前処理」と呼ばれるプロセスです。
 この前処理(データ加工)は、データ分析のプロセスの中で8割以上も占めています。

 NYSOLには「頻出パターンマイニング」や「データマイニング・機械学習」「テキストマイニング」「可視化」などさまざまなパッケージがありますが、今回ご紹介するのは前処理(データ加工)を簡単に行えるNYSOLのMコマンドです。

 このMコマンドを用いることで、一般的にHadoopなどで分散処理が必要とされる数百GB〜TB(数千万件〜数億件程度)の大規模なデータでも一台のサーバーで処理することが可能です。

 一般的に前処理(データ加工)では、ETLツールやプログラムが使用されることが多いですが、よく発生する問題としてはマシンのメモリ不足により、データを処理出来ないことが発生します。
 また、大規模なデータを処理する場合、メモリ上では処理出来なくなりハードディスクで処理する場合もありますが、この際に処理スピードが極端に落ちることによって、処理が終わらないといった状況が発生することもあります。

 以下の図は1億件(10GB)のデータに対して、RやPostgreSQL、NYSOLのMコマンドで前処理を実施し、ベンチマークをとった際の結果です。

 棒グラフの左2つはRですが、一部の前処理がメモリ不足で処理が出来なくなりました。また、PostgreSQLは処理結果が得られるまでに10分以上かかります。さらにデータが増えると処理時間に顕著な差があらわれます。実際の前処理(データ加工)では複数回のコマンドが実行され、長期かつチームで行われることが普通ですので、単純計算でNYSOLでは1か月で終わるプロジェクトが他では何年もかかる計算になります。また、そもそもデータ加工が出来ない状況もあるかもしれません。

 NYSOLのMコマンドはこのデータを処理出来ない処理が終わらないの2つの問題を同時に解決します。しかも1台のマシンで充分のため複数台のマシンを用意するコストも削減します。

 さらにNYSOLのMコマンドはドキュメントが充実していますので、簡単に習熟することが出来ます。また、Mコマンドの簡単なチュートリアルを使い方ページに記載していますので、こちらから段階的に実施して頂くことをお勧めします。その前に、NYSOLをインストールされていない方はまずはインストールページをご覧下さい。

 何かお困りの際はコミュニティページへご質問を投稿して頂くことも可能です。また、講師付きかつテキストをご提供するトレーニングもございます。また、本格的にビジネスで運用される際はサポートコンサルティングもご提供しておりますので、お気軽にご相談下さい。

著者プロフィール

株式会社KSKアナリティクス

KSKアナリティクスのビジョンは、
優れたアナリティクスの「オープンソース・ソフトウェア」と、
現場と協働する「アナリティクス・サービス」で、
誰もが当たり前にデータを分析・活用できる社会を作ることです。

最新TOPICS

【AI】三井住友銀行、AIによる効率化計画で約4000人の配置換え---「手数料ビジネスの終焉」「ハンコを押すだけの人はもういらない」「まず中間管理職が用済みに」(2017年06月22日 10:03)

三井住友銀行の今後3年間の計画 ・全店舗をペーパーレス化 ・相談業務を中心とする次世代型の店舗に ・事務作業は事務センターに集約 ・AIなどを使って作業の効率化 ・約4000人を新たな事業部門に移す 【テーマ】 ・超優秀なAIに仕事を奪われる ・コスト削減しか道はない ・手数料ビジネスの終焉 ・ローンの審査もAIで ・ハンコを押すだけの人はもういらない ・まず中間管理職...

関連タグ

データウェアハウス(Data Warehouse)

  • 用語集

「データウェアハウス(data warehouse)」とは、企業の意志決定のため、目的別に編成、統合され、なおかつ時系列で削除や更新をしないデータの集合体を指す。具体的には、複数の基幹システムからトランザクションを抽出して、再構成・再蓄積したデータの集合体を意味する。

クロス集計()

  • 用語集

2~3種類の情報に限定してデータの分析や集計を行なう手法。縦軸と横軸に項目を割り振り、特定の項目の相互関係を明らかにすることができる。

非構造化データ()

  • 用語集

「非構造化データ」とは、企業の基幹システムに保管されている構造化データに対し、日常業務で増える電子文書や紙文書、写真、動画、音声、Webコンテンツなど構造化されていないデータを指す。

ウェアラブル(Wearable)

  • 用語集

「ウェアラブル」とは、直訳すると「身につけられる」といった意味であり、IT業界では主に「ウェアラブル コンピュータ」、または「ウェアラブルデバイス(Wearable Device:身につけられる装置)」の略称として使われる。

関連記事

  • KSKサイド004

facebook

twitter