次世代エンタープライズを創るアーキテクトへ変革の推進力を
データウェアハウス戦略はコストとパフォーマンスの板挟み
クラウドデータウェアハウスは、不透明な料金モデルや独自フォーマットに縛られる。レガシーウェアハウスはエンジニアリング時間を消費し、予算を圧迫する。成長を阻害することなくパフォーマンスをスケールさせる分析基盤が必要。チームはクラウド専業ベンダーと、絶え間ない調整と再構築を必要とする老朽化したインフラストラクチャとの間で板挟み。
従来のデータセンター環境では年間平均60%の計画外ダウンタイムが発生する一方、クラウドプラットフォームは規模が大きくなるとオンプレミスのインフラストラクチャコストを300%も上回るクレジット消費を引き起こす可能性がある。
WarehousePGがペタバイト規模の分析を実現
-
1 — デプロイ
どこでもMPPウェアハウスをデプロイ
オンプレミス、パブリッククラウド、または自社データセンター。導入形態に関わらず、同じアーキテクチャと管理レイヤーを使用できる。コア数に応じた課金なので、予測可能で拡張性が高く、予期せぬ料金変動もなし。
-
2 — 分析
高同時接続BIおよびエージェント分析
標準SQLを用いて、構造化データ、半構造化データ、非構造化データを扱う。大規模な並列クエリ実行により、ワークロードを独立した計算セグメントに分散。
-
3 — 拡張
PGAA、Flow Server、ベクトル検索など
PGAAを利用してApache IcebergやDelta Lakeのネイティブサポートを通じてレイクハウスデータへ接続。Flow Serverを用いてリアルタイムイベントをストリーミング。ETLデータ移動なしでデータベース内MLモデルやベクター検索をデプロイ。
-
4 — 管理
統合オブザーバビリティ
WarehousePG Enterprise Manager (WEM) は、12 種類の統合ダッシュボードを通じて、分散クラスタ全体にわたる統一された可観測性を提供し、CPU オーバーヘッドは 1% 未満。統合された高可用性 (HA) および災害復旧機能により、サードパーティ製のアドオンは不要。
WarehousePG のデモ
ペタバイト規模の分析ワークロードを処理し、リアルタイムで分散クラスタを監視するEDB Postgres® AI for WarehousePGの5分間のウォークスルーをご覧ください。
本番実証
TCO削減
より高い
同時処理性能
Greenplum® クラスター
ごとの移行時間
WEMによる
CPUオーバーヘッド監視
ペタバイト規模での本番稼働
「パフォーマンスは優れており、安定性も確保されている。サポートも期待通りに迅速。」
—MNTN Engineering Team
規模の
持続的なコネクテッドTV分析負荷を不安定さを一切感じさせずに処理。
「EDB Postgres AI for WarehousePGを活用することで、優れたパフォーマンスを実現しつつコストを抑えられる。さらに、データ主権をしっかりと確保できる。」
—Kyobo Book Centre
を取り戻した。パフォーマンスが向上した。クラウドコストが削減された。
「Greenplumワークロードへのサポートにより、オープンソースソフトウェアの導入先と方法をコントロールすることができる。」
—Grigoriy Zeleniy, CTO, Euronext
数時間で、本番環境の取引ネットワークワークロードを移行できる。
主要機能
WarehousePG：分析とデータレイヤーの統合基盤
分析ワークロード層とデータレイヤーを支える専用エンジン。ガバナンス・セキュリティ・データ統合サービスにより、データの取り込みから分析・活用までのプロセスを一気通貫で統制。
大規模分析をどこでもデプロイ
WarehousePGは、オンプレミス、パブリッククラウド、ソブリンデータセンター、NVIDIA GPUインフラストラクチャー上で稼働。アーキテクチャは同一で、コア単位の料金も同じ。WEM管理レイヤーも変わらない。再設計は不要。ロックインなし。
リソース
-
テクニカルブリーフ
-
CIOブリーフ
-
ソリューション概要
-
ベンチマークレポート
-
-
関連機能
Converged Analytics
WarehousePGのペタバイトスケールの深さとEDB Postgres AI for ClickHouseを組み合わせることで、リアルタイム分析が可能。両者は同じゼロETLのアイスバーグベースからデータを読み取り、ミリ秒単位の分析からペタバイトの履歴まで、完全な分析スペクトラムをカバー。
-
関連機能
Agent Factory
WarehousePGの分析にエージェントAIワークフローを組合せる。データを倉庫の外に移動することなく、分析データに対してセマンティック検索や取得拡張生成（RAG）を実行が可能。
-
関連機能
Hybrid Manager
EDB Postgresのインフラストラクチャ全体にわたって、WarehousePGクラスタを管理。分析ワークロードとトランザクショナルワークロードに対するデータベースの監視、パッチ適用、ライフサイクル管理を単一のコンソールで実現。
-
関連機能
Agentic Database
データウェアハウスの分析と、自律型データベースの最適化を組合せる。オートパイロットモードは、クラスター構成とインデックスを自動的に調整し、WEMはリソースの利用状況を監視。
データ主権を守り抜く分析基盤を貴社の環境へ
クラウドからの移行（Repatriation）、高コンカレンシーなBI処理、レイクハウス構成、レガシー基盤の刷新など。専門チームが貴社のユースケースと既存インフラに合わせて最適なキャパシティサイジングとデプロイ構成をご提案します。まずはご相談ください。
Greenplum®はBroadcom Inc.の登録商標です。EDBおよびEDB Postgres AIは、Broadcom Inc.とは一切関係がなく、Broadcom Inc.による承認や後援も受けていません。Greenplumへの言及は、比較、教育、および相互運用性の目的のみに使用されます。
ClickHouse は、ClickHouse, Inc. の商標です。 https://clickhouse.com。
よくある質問
EDB PG AI for WarehousePGは、ソブリンなPostgresベースの分析データベースです。大規模並列処理（MPP）アーキテクチャを通じてペタバイトスケールのパフォーマンスを提供し、標準SQLを使用して構造化データ、半構造化データ、非構造化データにわたる複雑な分析ワークロードを実行することが可能です。WarehousePG Enterprise Manager（WEM）は、分散クラスター全体での中央集権的なオブザーバビリティと管理を提供します。顧客は、オンプレミス、プライベートまたはパブリッククラウド、またはソブリンデータセンターにデプロイし、コアあたりの価格設定により変動するクレジット消費を排除し、ベンダーロックインを回避します。
はい、可能です。WarehousePGはGreenplumとバイナリ互換性があり、同じMPPアーキテクチャ、カタログ構造、分配セマンティクスを共有しています。DISTRIBUTED BYキー、リソースキュー、外部テーブル、およびGreenplum拡張は、再記述することなくそのまま移行できます。各クラスターのマイグレーションは、データの移動やスキーマの再記述、再トレーニングなしで、2時間以内に完了します。EDBは、移行プロセス全体を通じて直接的なマイグレーションサポートを提供します。
はい、支援します。WarehousePGはインデータベースの機械学習をサポートしており、ETLを使用したりデータを別のシステムに移動することなく、分析データに対して直接MLワークロードを実行できるようになります。MADlib、scikit-learn、TensorFlowを含む人気のある機械学習ライブラリやフレームワークと統合されているため、データサイエンティストは慣れ親しんだツールを使用してデータベース内でモデルのトレーニングとスコアリングを行うことが可能です。ストリーミングインジェストやAI駆動の分析もネイティブでサポートされています。
ソブリンアナリティクスは、コストと制御のトレードオフを解消します。EDB PG AI for WarehousePGは、主要なクラウドウェアハウスと比較して最大52%高い同時実行性能を実現し、Snowflake、Databricks、Redshiftと比較して最大58%低いTCOを提供します。しかも、クレジットバーンショックのない、予測可能なコア単位の価格設定を維持します。オンプレミス、ソブリンデータセンター、パブリッククラウドなど、あらゆる場所に同じアーキテクチャで展開でき、ベンダーロックインもありません。
WarehousePGおよびClickHouse向けのEDB PG AIは、共通のIceberg基盤上で相互補完的な実行エンジンです。WarehousePGは、深層バッチ分析、複雑なSQL、およびペタバイト規模の履歴ワークロードを処理します。ClickHouse向けのEDB Postgres AIは、アプリケーションログ、詐欺スコアリング、リアルタイムダッシュボード、および時系列モニタリングを含む、ミリ秒単位のレイテンシーリアルタイムクエリを扱います。どちらもPGAAが最新の情報を保持する同じ管理されたIcebergカタログからデータを読み取るため、ETLのオーバーヘッドやデータの重複、リアルタイム層と履歴層間の不整合は発生しません。