Model Management leicht gemacht mit SQL Server

Machine Learning mit SQL Server
Kommentare

Bei Machine Learning denken vermutlich die wenigsten zunächst an SQL Server. Doch Microsofts relationales Datenbankmanagementsystem kann beim Model Management helfen: Analytische Modelle müssen trainiert, verglichen und überwacht werden, bevor sie in Produktion eingesetzt werden – ein Prozess, der viele einzelne Schritte voraussetzt. Also ein Fall für SQL Server.

Als Model Management bezeichnet man ein System, das den gesamten Lebenszyklus eines Learning-Modells verwaltet und orchestriert. Denn analytische Modelle müssen zuerst einmal mit Daten gefüttert und so trainiert werden, bevor sie produktiv genutzt werden können. Um sich dabei Arbeit zu ersparen, benötigt man ein Model-Management-System – besonders gut eignet sich SQL Server dafür, so Rimma Nehme, Technical Adviser der Data Group bei Microsoft.

In einem Blogpost erklärt sie, wie SQL Server dabei helfen kann, Machine Learning Model Management bedarfsgerecht zu automatisieren, vereinfachen und zu beschleunigen. Der Prozess zieht sich dabei vom Erstellen, Trainieren und Testen bis hin zum Deployment. SQL Server behandelt Modelle wie Daten, das heißt, es speichert sie als serialisierte varbinary (Binärdaten mit variabler Länge) Objekte. Aus diesem Grund berücksichtigt SQL Server die zum Erstellen von Modellen nötigen Analytics-Engines nicht und soll deswegen ein gutes Model-Management-Tool für verschiedene Runtimes sein.

Machine-Learning-Modelle sind wie Daten in SQL Server, Quelle: SQL Server Blog

Machine-Learning-Modelle sind wie Daten in SQL Server, Quelle: SQL Server Blog

SQL Server belässt die Modelle nahe an den Daten, bietet aber trotzdem alle Möglichkeiten eines Management-Systems für Daten, das sich fast übergangslos in Machine-Learning-Modelle umwandeln lässt. Das kann die Verwaltung von Modellen erheblich vereinfachen und eine schnellere Auslieferung sowie genauere Business-Erkenntnisse mit sich bringen.

Warum Machine Learning Model Management?

Modelle systematisch zu überwachen, neu zu trainieren und umzustrukturieren, ist keine leichte Aufgabe. Momentan gibt es noch keine standardisierte Methode, um Modelle von anderen Entwicklern zu vergleichen, zu teilen oder anzuschauen, was zu einer Art Silo-Arbeit führen kann. Viele Modelle bleiben so auf einzelne Use Cases beschränkt. Da aber auch verschiedene Data Scientists Modelle entwickeln und trainieren, können dieselben Algorithmen zum Erstellen von ähnlichen Modellen genutzt werden. Und so verbreiten und vervielfältigen sich diese Modelle unnötig, was es schwieriger macht, eine zentralisierte Library aufzubauen.

Genau an diesem Punkt setzt SQL Server an, um das Model-Management zu verbessern.

Software Architecture Summit 2017

The Core of Domain-Driven Design

mit Carola Lilienthal (Workplace Solutions)

Distributed Systems

mit Kyle Kingsbury (Independent Consultant)

SQL Server für ML Model Management

Wie Nehme herausstellt, gibt es einige gute Gründe, um SQL Server für das Machine Learning Model Management einzusetzen. Das Tool lässt sich beispielsweise zum Speichern von untrainierten sowie trainierten Modellen nutzen. Auch eine Überwachung von Machine-Learning-Modellen während ihrer Ausführung in einer Laufzeitumgebung und das Abrufen von Metadaten ist möglich. Ebenfalls kann SQL Server Interfaces speichern, die die Komplexität von ML-Algorithmen abstrahieren. Zudem bietet das Datenbankmanagementsystem eine Runtime Verification und ermöglicht automatisches Deployment und Ablaufplanung von Modellen.

Warum SQL Server 2016 für Machine Learning Model Management einsetzen?, Quelle: SQL Server Blog

Warum SQL Server 2016 für Machine Learning Model Management einsetzen?, Quelle: SQL Server Blog

Möglich wird das alles wiederum durch spezifische Fähigkeiten von SQL Server wie der ML Model Performance, der ML Model Security and Compliance, der ML Model Availability und der ML Model Scalability. Kurz gefasst liefert SQL Server Datenmanagement mit Performance, Security, Verfügbarkeit und Skalierbarkeit direkt in der Solution.

SQL Server is unique from other machine learning model management tools, because it is a database engine, and is optimized for data management. The key insight here is that “models are just like data” to an engine like SQL Server, and as such we can leverage most of the mission-critical features of data management built into SQL Server for machine learning models.

Ausführliche Informationen zum Thema SQL Server als Machine-Learning-Modell-Management-System bietet der angesprochene Blogbeitrag von Rimma Nehme im SQL-Server-Blog.

Unsere Redaktion empfiehlt:

Relevante Beiträge

Meinungen zu diesem Beitrag

X
- Gib Deinen Standort ein -
- or -