Blueprint 1 · Real-Time ML Inference
データレイヤーでのML推論
外部モデルの提供は不要
データが移動する前、トランザクションが行われるストリーミングデータパイプライン内で、ML推論を直接実行。
検出レイテンシ、Kafkaパス
PoCインフラストラクチャ上で
検証された推論パス
オンプレミスのデータ：
クラウドのMLサービスへの依存なし
アーキテクチャ
仕組み
データの動き
アーキテクチャフロー
| 01 | ソース | トランザクションイベントは、EDB Postgres® AI（EDB PG AI）に直接書き込まれ、運用システムとしての記録を提供。EDB Postgres Distributedが真の情報源となり、4つの分析および推論経路はWALを介してデータを読込むため、処理が開始される前にデータを移動する必要がない。 |
| 02 | ストリーム | DebeziumはWALの変更をキャプチャし、それをKafkaにストリーミング。Kafkaはイベントを3つの並列の下流経路にルーティング：Kafkaダイレクト、ClickHouse（CDC経由）、RisingWave（CDC経由）。4つ目の経路であるPGAAはKafkaとは独立してWALを読込む。（注：Redpandaは検証済みのKafka互換の代替品） |
| 03 | 集約 | RisingWaveはストリーミングされたマテリアライズドビューを計算し、支出の傾向、地理的異常スコア、速度チェックを実施。ClickHouseは複雑な履歴集約のために90日間の行動基準比較を行う。 |
| 04 | 推論 | XGBoost MLモデルは4つの経路すべてで推論を実行し、PoCからの測定されたレイテンシーは次の通り：Kafkaダイレクト <100ms TTDF; PGAA ~1500ms（WAL→Iceberg）；ClickHouse ~3000ms；RisingWave ~4200ms。（注：KServe + NVIDIA NIMはEDB PG AIでサポートされているが、現在のオープンソースリリースには含まれていない。MLflowはサポートされてるが、現在のリリースには統合されていない。） |
| 05 | ガバナンス | ヒューマンインザループの意思決定ゲートは、高リスクエージェントの行動に対するポリシーを実行前に適用。Lakekeeper（Vakamo）はIceberg RESTカタログを提供し、すべての推論経路におけるデータの系譜とアクセス制御を管理する。 |
| 06 | 持続 | 不正予測と運用警告はEDB PG AIに書戻される。過去の推論結果は、監査、モデル再訓練、長期分析のためにMinIO上のIcebergテーブルに格納される。 |
Blueprint 1 · PARTNER STACK
Validated partners in this blueprint
Airflow (Astronomer)
dbt
Grafana
Jupyter
Kafka / Redpanda
KServe + NVIDIA NIM
Lakekeeper (Vakamo)
Langflow
MinIO
MLflow
RisingWave
業界別ユースケース
本番環境でのBlueprint 1
-
BFSIBFSI
リアルタイム不正検知
ある大手銀行は毎秒5万件の取引を処理している。バッチ処理による不正検知では、検知に15分かかる。Kafkaストリーミングパス内にXGBoostを導入することで、検知レイテンシを15分から500ミリ秒に短縮できる。3つの並列推論パスにより、即座にブロック判定と行動コンテキストの強化を同時に行うことができる。すべてのデータはオンプレミスに保持され、クラウドの機械学習サービスへの依存はない。
検証済みデプロイ環境
オンプレミス、IBM Power、EDBエンジニアリングシステム、または任意のクラウド上で稼働し、すべての環境で一貫したPostgresインターフェースを提供。
オープンソースのBlueprint 1を今すぐ試してみませんか？
金融サービス業界向け不正検出機能の完全な実装はGitHubで公開されています。
デプロイ、フォーク、または既存のコードを基に開発を進めてください。