ML mit Python in PostgreSQL
Elefant trifft Schlange
Machine Learning muss nicht in eigens dafür aufgebauten Umgebungen stattfinden. Sind die Kosten dafür zu hoch oder ist das Auslagern der Daten nicht erlaubt, ist der Einsatz von ML-Funktionen in der Datenbank selbst eine sinnvolle Option.
Moderne Applikationen integrieren zunehmend Machine-Learning-Verfahren (ML), um Entscheidungen zu erleichtern und manuelle Prozesse zu automatisieren. Beispielsweise erhalten Besucher von Webseiten individuelle Vorschläge zum Kaufverhalten oder Alexa, Siri und Co. fungieren als virtuelle Assistenten.
Grundlage vieler dieser Verfahren sind statistische Modelle, die Situationen und Zusammenhänge beschreiben oder Vorhersagen für zukünftige Situationen treffen. Häufig wendet man sie bei der Analyse großer Datenmengen an (Big Data). In diesem Umfeld sind in den letzten Jahren Analyse-Frameworks entstanden, die es ermöglichen, verschiedene Datenquellen zu integrieren und mit ML-Funktionen zu analysieren. Ein prominenter Vertreter dieser Anwendungen ist Apache Spark [1].
