在短短幾年內(nèi)，機(jī)器學(xué)習(xí)(ML)已經(jīng)成為一項(xiàng)基本技術(shù)，公司幾乎在業(yè)務(wù)的每個方面都部署了這項(xiàng)技術(shù)。以前是財(cái)大氣粗的大型機(jī)構(gòu)的領(lǐng)地，ML市場正在迅速開放。各種生意現(xiàn)在可以利用ML來最大限度地減少重復(fù)的手動過程，自動化決策制定，并預(yù)測未來趨勢。幾乎在任何商業(yè)任務(wù)的每一個階段，ML都在使流程更智能、更精簡、更快速。

近年來，技術(shù)進(jìn)步有助于民主化訪問并通過減少獲得ML驅(qū)動的預(yù)測所需的時間、技能水平和步驟數(shù)量來推動ML的采用。增長如此之快，以至于全球ML市場預(yù)計(jì)將從2022年的210億美元增長到2029年的2090億美元。聲明式ML和AutoML等工具正在幫助企業(yè)訪問強(qiáng)大的業(yè)務(wù)關(guān)鍵型預(yù)測分析。將這些方法向前推進(jìn)一步，數(shù)據(jù)庫內(nèi)ML是一種正在普及的新技術(shù)。它允許企業(yè)輕松地向他們的數(shù)據(jù)提出問題，并使用標(biāo)準(zhǔn)的SQL查詢快速獲得答案。

什么是數(shù)據(jù)庫內(nèi)ML？

傳統(tǒng)上，構(gòu)建ML模型是一項(xiàng)高技能、冗長、資源密集型的工作。ML計(jì)劃的典型時間框架以月為單位。項(xiàng)目耗時超過六個月的情況并不少見，需要花費(fèi)大量時間從數(shù)據(jù)庫中提取、清理和準(zhǔn)備數(shù)據(jù)。

相比之下，數(shù)據(jù)庫內(nèi)ML將分析引入到數(shù)據(jù)庫中，使企業(yè)能夠獲得您期望從傳統(tǒng)的完全定制的ML模型中獲得的洞察力，但有一些重要的差異。數(shù)據(jù)庫內(nèi)ML獲得這些結(jié)果要快得多(幾天或幾周，而不是幾個月)，因?yàn)閿?shù)據(jù)永遠(yuǎn)不需要離開數(shù)據(jù)庫。另一個區(qū)別是，數(shù)據(jù)庫內(nèi)建模是使用常規(guī)的、現(xiàn)有的數(shù)據(jù)庫技能(如SQL)來完成的，這使得更廣泛的it團(tuán)隊(duì)更容易處理它。

雖然這是一個相對較新的領(lǐng)域，但它現(xiàn)在是GitHub明星代言中增長最快的領(lǐng)域。事實(shí)上，現(xiàn)在所有主要的數(shù)據(jù)庫供應(yīng)商、ML框架、BI工具和筆記本都有數(shù)據(jù)庫內(nèi)ML集成。

企業(yè)如何使用數(shù)據(jù)庫內(nèi)ML？

從人力資源到市場營銷到銷售再到生產(chǎn)，在每個業(yè)務(wù)領(lǐng)域都有使用案例，從數(shù)據(jù)庫中獲得的預(yù)測正在幫助公司改善客戶體驗(yàn)，提高產(chǎn)品個性化，優(yōu)化客戶終身價值，增加員工保留率，更準(zhǔn)確地評估風(fēng)險(xiǎn)，并提高工作場所的生產(chǎn)力。

舉一個生產(chǎn)力軟件領(lǐng)域的例子:Rize是一個智能時間跟蹤器，它使用戶在工作中更有生產(chǎn)力和效率，使用數(shù)據(jù)庫內(nèi)ML開發(fā)了一個強(qiáng)大的功能，在幾周內(nèi)響應(yīng)用戶反饋。由此產(chǎn)生的能力——由ML生成的洞察驅(qū)動——提高了客戶保持率和轉(zhuǎn)化率。它還幫助Rize在競爭激烈的市場中脫穎而出，鞏固了其作為真正智能時間跟蹤器的地位。

數(shù)據(jù)庫內(nèi)ML重塑行業(yè)的速度和規(guī)模

盡管這些用例中有許多有利于各個行業(yè)或地區(qū)的企業(yè)，但特定的行業(yè)應(yīng)用正在出現(xiàn)，這些應(yīng)用可以實(shí)時提供未來的見解，其建立成本只是傳統(tǒng)ML算法的一小部分，并開始破壞這些市場中的現(xiàn)有價值鏈。

金融部門一個快速實(shí)施傳統(tǒng)ML建模的行業(yè)現(xiàn)在正轉(zhuǎn)向數(shù)據(jù)庫內(nèi)建模以提高敏捷性。金融服務(wù)和金融科技公司正在使用數(shù)據(jù)庫內(nèi)ML來檢測欺詐、幫助貸款回收、提高信用評分和批準(zhǔn)貸款。因此，他們能夠更快地對市場狀況做出反應(yīng)，調(diào)整他們提供的服務(wù)，甚至開辟新的收入來源。

例如，下一代多家庭租金支付處理平臺Domuso使用數(shù)據(jù)庫內(nèi)ML每年節(jié)省50萬美元。Domuso培訓(xùn)并部署了一個數(shù)據(jù)庫內(nèi)ML模型，以準(zhǔn)確預(yù)測租金付款是否可能因資金不足而被退回。“使用數(shù)據(jù)庫內(nèi)ML，我們可以更快地實(shí)施高級模型，而且復(fù)雜性更低，”時任Domuso產(chǎn)品和運(yùn)營副總裁的Sameer Nayyar說。“這對我們的業(yè)務(wù)產(chǎn)生了積極影響。我們看到兩個月內(nèi)退款減少了95，000美元，第一年節(jié)省了500，000美元。”此外，隨著新用例的出現(xiàn)，Domuso現(xiàn)在能夠在幾周內(nèi)創(chuàng)建和實(shí)現(xiàn)新的ML模型，而不是幾個月。

零售、快速消費(fèi)品和食品生產(chǎn)等行業(yè)已經(jīng)很快意識到實(shí)時預(yù)測數(shù)據(jù)庫內(nèi)建模，幫助他們響應(yīng)市場條件，提供“即時”和特定位置的產(chǎn)品。管理庫存、預(yù)測特定商品的需求、優(yōu)化人員配備水平和預(yù)測未來價格只是零售和其他業(yè)務(wù)如何轉(zhuǎn)向數(shù)據(jù)庫內(nèi)ML算法來解決日常挑戰(zhàn)的幾個例子。

以Journey Foods為例，這是一個用于食品開發(fā)和創(chuàng)新的供應(yīng)鏈和食品科學(xué)軟件平臺，它使用數(shù)據(jù)庫中的ML來應(yīng)對不斷變化的配料價格的挑戰(zhàn)。他們希望利用22，000家供應(yīng)商的130，000種食品原料數(shù)據(jù)庫，預(yù)測其客戶在一個月、三個月、六個月和12個月內(nèi)的食品成本。由于配料和供應(yīng)商總是在變化，他們擔(dān)心繪制這些復(fù)雜的“多對多”關(guān)系所需的預(yù)測分析需要大量時間來建立，并且需要持續(xù)的維護(hù)和重新培訓(xùn)。Journey Foods求助于數(shù)據(jù)庫內(nèi)的ML來開發(fā)其成本預(yù)測模型，從而實(shí)現(xiàn)了對食品成分的高精度預(yù)測。與他們最初考慮的本土ML模型相比，這也大大降低了運(yùn)營成本。

提高業(yè)務(wù)靈活性和創(chuàng)新

還有很多特定行業(yè)的例子，但是推動這種快速增長的開源運(yùn)動的共同因素是速度和規(guī)模。數(shù)據(jù)庫內(nèi)ML使復(fù)雜的預(yù)測分析可用于任何有數(shù)據(jù)庫的企業(yè)。

例如，在最近的開源數(shù)據(jù)庫內(nèi)ML黑客馬拉松Hacktoberfest上，不斷增長的數(shù)據(jù)庫內(nèi)ML程序員社區(qū)恰當(dāng)?shù)卣故玖藙?chuàng)新的潛力。在活動過程中，團(tuán)隊(duì)提交了20多個新的數(shù)據(jù)庫處理程序，包括與Apache Impala和Solr、PlanetScale和Teradata的連接，以及10多個新的機(jī)器學(xué)習(xí)處理程序，包括PyCaret、Ray Server和Salesforce。

數(shù)據(jù)庫內(nèi)分析仍處于早期階段。就像更廣泛的人工智能行業(yè)一樣，ML細(xì)分市場對炒作并不陌生。然而，隨著對復(fù)雜問題的快速回答不再僅僅是理論上可能的，而是在短期內(nèi)由各種規(guī)模和預(yù)算的企業(yè)可以實(shí)現(xiàn)的，數(shù)據(jù)庫內(nèi)ML值得認(rèn)真考慮。通過切割建立模型所需的時間通過讓沒有數(shù)據(jù)科學(xué)背景的人來運(yùn)行項(xiàng)目，它大大降低了與預(yù)測分析相關(guān)的成本?；跀?shù)據(jù)的決策為企業(yè)提供了傳統(tǒng)ML技術(shù)的可行替代方案:在速度和規(guī)模上完全可定制的預(yù)測能力。