DP-900-CORE#80-1
注: この問題は、同じ前提を持つ一連の問題の一部です。それぞれの問題には異なる解決策が提示されます。
前提
ある製造業の本社が、各工場の生産ライン センサーから 1 分あたり数万件のテレメトリ (温度・圧力・振動・稼働状態) を収集し、(1) リアルタイム ダッシュボードで異常を即時可視化、(2) 過去 5 年分の蓄積データから故障予兆を分析、(3) 工場別の月次レポートを作成、の 3 目的を同時に達成したいと考えています。
解決策
Azure Event Hubs で取り込み → Azure Stream Analytics で即時集計 → Power BI リアルタイム ダッシュボード へ、同時に Azure Data Lake Storage Gen2 に Parquet 形式で長期保存 → Azure Synapse Spark で過去データ分析 → Power BI レポート で月次集計、というハイブリッド アーキテクチャを採用する。
この解決策は目的を満たしますか?
解説
【判定: はい】の理由
本ソリューションは Microsoft の Lambda アーキテクチャ に準拠した完成度の高い設計であり、3 目的すべてを満たします。
Lambda アーキテクチャは、ストリーミング層 (Speed Layer) とバッチ層 (Batch Layer) を併走させ、サービング層 (Power BI) で統合するパターンです。Stream Analytics は時間窓集計や anomaly_detection_spike 等のパターン検出を SQL 記法で記述でき、ADLS への並列保存もネイティブにサポートしています。
【「いいえ」が違う理由】
本構成は IoT テレメトリの典型シナリオであり、Microsoft Learn が推奨する標準パターンに完全準拠しているため、要件 3 つを過不足なく満たします。
出典: Microsoft Learn — Real-time analytics with Stream Analytics / Big data architectures
本ソリューションは Microsoft の Lambda アーキテクチャ に準拠した完成度の高い設計であり、3 目的すべてを満たします。
| 目的 | 対応コンポーネント | 充足度 |
|---|---|---|
| (1) リアルタイム異常可視化 | Event Hubs → Stream Analytics → Power BI ストリーミング | ✅ ミリ秒〜秒単位の遅延で実現できます |
| (2) 過去 5 年の予兆分析 | ADLS Gen2 (Parquet) → Synapse Spark → ML 適用可 | ✅ 長期保存とスケーラブル分析を両立できます |
| (3) 月次レポート | Synapse Spark 集計 → Power BI Import モデル | ✅ バッチ処理に最適です |
Lambda アーキテクチャは、ストリーミング層 (Speed Layer) とバッチ層 (Batch Layer) を併走させ、サービング層 (Power BI) で統合するパターンです。Stream Analytics は時間窓集計や anomaly_detection_spike 等のパターン検出を SQL 記法で記述でき、ADLS への並列保存もネイティブにサポートしています。
【「いいえ」が違う理由】
本構成は IoT テレメトリの典型シナリオであり、Microsoft Learn が推奨する標準パターンに完全準拠しているため、要件 3 つを過不足なく満たします。
出典: Microsoft Learn — Real-time analytics with Stream Analytics / Big data architectures
コメント