Merge pull request #5 from Gracechung-sw/big-query

Added content about datawarehouse, datalake, and bigquery in data system

README.md

@@ -18,51 +18,20 @@
 
 ## Table of Contents
 
+### [Data System](./data-system/README.md)
+
 ### [Data Sampling](./data-sampling/README.md)
 
 ### [Data Management](./data-management/README.md)
 
-- ML개발을 하다보면 Raw data를 조금씩 변경시켜 가면서 즉, feature engineering을 해보면서
-  Data 의 version이 생겨나게 된다.
-- Data version마다 '최종', '최종최종', '이게 진짜 좋음' 이렇게 파일명으로 개발할 것인가?!  
-  software engineering에서 Git을 사용하는 이유는 분명 있다.
-- Tool: [DVC](https://dvc.org/), PyTorch, Pandas, ...
-
 ### [Model Training](./model-training/README.md)
 
 ### [Model Management](./model-management/README.md)
 
-- model 개발 과정을 보면
-  Data Processing -> Train & Evaluate -> Raw Data -> 다시 Data Processing....과정의 반복이다.
-
-- 그리고 Production level로 AI model이 serving되고 그 이후에 성능 개선이 되어서 version up 된 model이 serving되기도 한다.
-  아니면 아직 serving되기 전에도 여러 성능비교를 하며 model version이 update되기도 한다.
-- Model 결정시 어떤 data 저장이 필요한가
-  - model 소스 코드
-  - Evaluation Metric 결과
-  - 사용한 parameters
-  - model.pkl 파일
-  - 학습에 사용한 data
-  - 데이터 전처리용 코드
-  - 전처리된 data
-    ... 등
-    이런 정보들이 함께 저장되어야 추후에 '해당 모델의 성능을 **재현** 할 수 있다.'
-- Tool: [MLflow](https://mlflow.org/), PyTorch, Pandas, ...
-
 ### [Model Validation/Evaluation/Testing](./model-validation/README.md)
 
-- Tool: [Scikit-learn](https://scikit-learn.org/)
-
 ### [Model Packaging and Serving](./model-packaging-serving/README.md)
 
-- 이 이전의 단계까지 Model 학습과 평가... 이런 과정들을 거쳐서 최종 모델 학습의 산물인 `Check Point`가 나온다.
-- 모델 배포란, 학습한 모델의 체크포인트와 모델이 사용하는 정적 파일(아티팩트)를 패키지로 묶어서
-- 그 모델을 `Model Registry`에 보관하고 거기에 보관된 모델을
-- 서버에 배포하는 과정이다.
-  배포된 모델은 서버에서 서비스되어 사용자에게 모델 결과를 제공해 줄 수 있다.
-
-- Tool: [BentoML](https://www.bentoml.com/), [NVIDIA Triton](https://developer.nvidia.com/ko-kr/nvidia-triton-inference-server), GCP VertexAI, AWS Sagemaker
-
 ### [Model, ML pipeline, Model serving Monitoring](./all-monitoring/README.md)
 
 - [Model 성능 측정/수집](./all-monitoring/offline-monitoring/README.md)
@@ -72,8 +41,6 @@
   - 모델 online(실제 서비스가 나가있는 상태에서의) 모니터링
 - 시계열 대시보드 구성
 
-### [Feature Store]
-
 # MLOps Pipeline
 
 데이터 흐름, 모델 학습, 서빙, 모니터링 등의 전체적인 아키텍쳐.
@@ -115,6 +82,7 @@
 
 Related Engineering:
 
+- [Data System](#data-system)
 - [Data Sampling](#data-sampling)
 - [Labeling](#labeling)
 - [Class Imbalance](#class-imbalance)

data-system/README.md

@@ -0,0 +1,259 @@
+# 데이터 시스템 (데이터 웨어하우스, 데이터 레이크, 빅쿼리, Airflow, 데이터셋 관리, 데이터 품질 모니터링, 데이터 워크플로 구성)
+
+학습한 날짜: 240519
+
+## 데이터 웨어하우스
+
+![Untitled](./assets/Untitled.png)
+
+데이터 웨어하우스란 다양한 데이터 소스를 수집, 통합, 적재, 관리하는 시스템이고,
+
+이 수집, 통합, 적재, 관리를 위해서 ETL 같은 파이프라인으로 시스템을 구성한다.
+
+빠르게 대용량 데이터를 분석하는데 특화되어있는 시스템이라고 생각하면 된다. 이 때 분석은 데이터 웨어하우스의 OLAP 쿼리를 사용해서 분석한다.
+
+### OLTP 란? OLAP 란?
+
+![Untitled](./assets/Untitled%201.png)
+
+OLAP: 복잡한 쿼리를 통해 다차원으로 데이터를 분석하는 기술.
+
+이 기술은 거대 데이터를 효율적으로 분석하는데 필요한 기술이기 때문에 제품 데이터 또는 로그 데이터 분석에 적합하다.
+
+### 그러면 데이터 베이스와 데이터 웨어하우스의 차이가 뭐냐?
+
+로그를 데이터 베이스에 저장하고, 이를 분석해서 사용하면 안되냐? 데이터 베이스는 200만개의 데이터(로그 데이터)라고 하자. 이 데이터에 쿼리도 버거워하고, 이걸 join한다고 하면 거의 불가하거나 지연이 발생해서 적절하지 않다.
+
+![Untitled](./assets/Untitled%202.png)
+
+에드혹 쿼리: 즉각적인 응답을 요구하는 쿼리
+
+### 그러면 데이터 레이크와 데이터 웨어하우스의 차이가 뭐냐?
+
+1. 데이터 레이크
+   - 비정형 데이터, 반정형 데이터, 정형 데이터 드으이 다양한 형태의 대량 데이터를 보관하기 위한 목적의 저장소.
+   - 저장소의 특성상 원시 데이터와 비가공 데이터 모두를 수집받을 수 있어서 수집을 위한 형태 제약이 없다. 그냥 아뭍따 저장해놓고 보자 느낌이네..
+   - 이런 특성으로 가급적 원본 데이터를 세부적으로 분석해야할 때, 이로부터 인사이트를 얻을 수 있다.
+
+![Untitled](./assets/Untitled%2019.png)  
+![Untitled](./assets/Untitled%2020.png)
+
+### 데이터 웨어하우스의 장/단점
+
+장점
+
+1. 거대 데티어 분석에 특화된 구조와 다차원 분석 및 칼럼 특화 조회를 지원해서 복잡 쿼리 도 빠른 응답 시간으로 조회 가능.
+2. 데이터 ETL, 파이프라인, BI 도구 등 다양한 생태계에 호환되는 구조로 연동이 쉽다.
+3. SQL기반으로 정형 데이터를 분석하므로 쉬운 사용성
+
+단점
+
+1.  높은 비용
+2.  구축 난이도
+3.  ETL 구성 비용이 높다.
+4.  비정형 데이터를 미지원 <- 우리 같은 의료 이미지 데이터에서는 ㅠㅠ 데이터 레이크의 구성이 필요.
+
+### 데이터 웨어하우스의 종류
+
+1. Google BigQuery
+2. AWS Redshift
+3. Databricks
+4. Snowflake
+
+## Google BigQuery 사용해보기
+
+![Untitled](./assets/Untitled%203.png)
+
+### 특징
+
+1. 콘솔에 들어가면 빅쿼리 바로 볼 수 있는 거처럼. Fully-managed 서버리스 구조로 서버 스펙이나 서버 상태를 관리할 필요 없이 쿼리에 집중 가능
+2. 사용한 만큼의 금액만큼만 지불하며 사용의기준은 스캔된 데이터의 용량이다.
+3. 정형, 반정형 데이터 적재 및 조회에 적합하다.
+4. **스트리밍 데이터 수집 기능을 제공하기 때문에 데이터 적재 및 분석이 가능하다. ⭐️**
+
+   ![Untitled](./assets/Untitled%204.png)
+
+   ![Untitled](./assets/Untitled%205.png)
+
+5. **Vertex AI 및 BQML 기능을 통한 쿼리를 통해 ML 기능으로 확장이 가능하다. ⭐️⭐️**
+
+→ 4, 5번 이 Google BigQuery의 가장 큰 특징이다! **⭐️⭐️⭐️**
+
+### Big Query 데이터 계층
+
+![Untitled](./assets/Untitled%206.png)
+
+### 사용해보기
+
+순서
+
+1. GCP 프로젝트 설정
+2. BigQuery 초기 구성
+3. 위키피디아 데이터를 적재 해 볼 것임 (huggingface 에 이 데이터 있음)
+4. 적재한 위키피디아 데이터에 쿼리를 날려서 다차원 분석을 해보자
+5. Big Query에서 실시간 데이터를 처리하고 분석해보자.
+
+---
+
+### 1. GCP 프로젝트 설정
+
+Go https://cloud.google.com
+
+![Untitled](./assets/Untitled%207.png)
+
+그 다음 Run a query in BigQuery 클릭하면 빅쿼리 웹 으로 이동함.
+
+### 2. BigQuery 초기 구성 - Create Project
+
+![Untitled](./assets/Untitled%208.png)
+
+![Untitled](./assets/Untitled%209.png)
+
+### 3. 위키피디아 데이터를 BigQuery에 적재
+
+이 때 웹 환경이 아니라 SDK를 사용해서 코드 상에서 해볼 것임
+
+→ 그렇기 때문에 GCP Service Account Key 발급 필요.
+
+**1) GCP Service Account Key 발급**
+
+![Untitled](./assets/Untitled%2010.png)
+
+![Untitled](./assets/Untitled%2011.png)
+
+![Untitled](./assets/Untitled%2012.png)
+
+![Untitled](./assets/Untitled%2013.png)
+
+**2) BigQuery를 사용할 수 있는 라이브러리 설치**
+
+```python
+	pip install pandas-gbq # 빅쿼리에 있는 데이터를 pandas의 데이터셋과 호환시켜주는 라이브러리임.
+```
+
+**3) 위키피디아 데이터를 BigQuery에 적재**
+
+[https://huggingface.co/datasets/wikipedia](https://huggingface.co/datasets/wikipedia) 여기 가보면
+
+[https://huggingface.co/datasets/wikipedia#dataset-card-for-wikipedia](https://huggingface.co/datasets/wikipedia#dataset-card-for-wikipedia) 여기에 어떻게 데이터를 불러오는지 적혀있고,
+
+그걸 참고해서 적재해보면, 아래와 같은 코드가 된다.
+
+```python
+from datasets import load_dataset
+from google.oauth2 import service_account
+import pandas_gbq
+import pandas as pd
+
+credentials = service_account.Credentials.from_service_account_file(
+	# 여기 1) 단계에서 생성한 credentials json file 위치를 넣는다.
+)
+
+dataset = load_dataset("wikipedia", language="en", data="20220301")
+df = pd.DataFrame(dataset["train"][:100000])
+pandas_gbq.to_gbq(
+	df,
+	"introduction.wikipedia",
+	project_id="hjchung-machine-learning", #2. BigQuery 초기 구성 - Create Project 단계에서 만든 프로젝트 이름
+	credentials=credentials
+)
+```
+
+그리고 이게 실행되는 동안 BigQuery에서 Create dataset을 눌러서 introduction을 생성해준다.
+
+![Untitled](./assets/Untitled%2014.png)
+
+### 4. 적재한 위키피디아 데이터에 쿼리를 날려서 다차원 분석
+
+![Untitled](./assets/Untitled%2015.png)
+
+```sql
+WITH KoreaTexts AS (
+	SELECT
+		text,
+		REGEXP_CONTAINS(LOWER(text), LOWER('Korea')) AS ContainsKorea,
+		REGEXP_CONTAINS(text, '[가-힣]+') AS ContainsHangul
+	FROM
+		'hjchung-machine-learning.introduction.wikipedia'
+)
+
+SELECT
+		CONCAT(
+			ROUNT((SUM(CASE WHEN ContainsHangul THEN 1 ELSE 0 END) / COUNT(*)) * 100, 2),
+			'%'
+		) AS PercentageOfHangulInKoreaTexts
+FROM
+	KoreaTexts
+WHERE
+	ContainsKorea
+```
+
+![Untitled](./assets/Untitled%2016.png)
+
+### BigQuery에서 실시간 데이터를 처리하고 분석
+
+```python
+from google.cloud import bigquery
+import uuid
+import time
+import random
+import string
+
+
+def generate_random_text(length: int = 10) -> str:
+    letters = string.ascii_letters + string.digit
+    return "".join(random.choice(letters) for i in range(length))
+
+
+credentials = service_account.Credentials.from_service_account_json(
+    # 여기 1) 단계에서 생성한 credentials json file 위치를 넣는다.
+)
+table_id = "hjchung-machine-learning.introduction.streaming"
+
+try:
+    credentials.get_table(table_id)
+    print("Table {} already exits.".format(table_id))
+except:
+    schema = [
+        bigquery.SchemaField(name="log_id", field_type="STRING"),
+        bigquery.SchemaField(name="text", field_type="STRING"),
+        bigquery.SchemaField(name="date", field_type="STRING"),
+    ]
+    table = bigquery.Table(table_id, schema=schema)
+    table = credentials.create_table(table)
+    print(
+        "Create table {}.{}.{}".format(
+            table.project, table.dataset_id, table.table_id)
+    )
+
+
+# 랜덤하게 계속 line을 빅쿼리에 추가해보자.
+def insert_new_line() -> None:
+    rows_to_insert = (
+        {
+            "log_id": str(uuid.uuid4()),
+            "text": generate_random_text(50),
+            "date": int(time.time())
+        }
+    )
+
+
+for _ in range(100000):
+    insert_new_line()
+
+
+```
+
+![Untitled](./assets/Untitled%2017.png)
+
+실시간으로 추가된 걸 확인할 수 있다.
+
+### BigQuery에서 실시간 데이터를 처리는 어디에 활용할 수 있을까?⭐️
+
+모델 서빙에서 발생한 로그 데이터를 BigQuery 스트리밍 적재하여
+
+⭐️⭐️⭐️model drift 방지를 위한 지속적 학습(Continuous Training; CT) 마련 가능. ⭐️⭐️⭐️
+
+![Untitled](./assets/Untitled%2018.png)
+
+여기에 스트리밍 API를 바로 쏘기보단 kafka같은 메세지 브로커를 쓰긴 함.

data-system/bigquery/batch_dataset_store_and_query.py

@@ -0,0 +1,48 @@
+"""
+위키피디아 데이터를 BigQuery에 적재
+
+https://huggingface.co/datasets/wikipedia 여기 가보면
+
+https://huggingface.co/datasets/wikipedia#dataset-card-for-wikipedia 여기에 어떻게 데이터를 불러오는지 적혀있고,
+
+그걸 참고해서 적재해보면, 아래와 같은 코드가 된다.
+"""
+from datasets import load_dataset
+from google.oauth2 import service_account
+import pandas_gbq
+import pandas as pd
+
+credentials = service_account.Credentials.from_service_account_file(
+    # 여기 1) 단계에서 생성한 credentials json file 위치를 넣는다.
+)
+
+dataset = load_dataset("wikipedia", language="en", data="20220301")
+df = pd.DataFrame(dataset["train"][:100000])
+pandas_gbq.to_gbq(
+    df,
+    "introduction.wikipedia",
+    # 2. BigQuery 초기 구성 - Create Project 단계에서 만든 프로젝트 이름
+    project_id="hjchung-machine-learning",
+    credentials=credentials
+)
+
+
+# In BigQuery, run the following query to check if the data is loaded correctly
+# WITH KoreaTexts AS(
+#     SELECT
+#     text,
+#     REGEXP_CONTAINS(LOWER(text), LOWER('Korea')) AS ContainsKorea,
+#     REGEXP_CONTAINS(text, '[가-힣]+') AS ContainsHangul
+#     FROM
+#     'hjchung-machine-learning.introduction.wikipedia'
+# )
+
+# SELECT
+# CONCAT(
+#     ROUNT((SUM(CASE WHEN ContainsHangul THEN 1 ELSE 0 END) / COUNT(*)) * 100, 2),
+#     '%'
+# ) AS PercentageOfHangulInKoreaTexts
+# FROM
+# KoreaTexts
+# WHERE
+# ContainsKorea