Predictive Queries versus Supervised ML

Maschinelles Lernen (ML) wird zu einem alltäglichen Tool im Werkzeugkasten von Unternehmen. Die Demokratisierung von ML ist ein anhaltender Trend und angesichts der Brüche in diesem Bereich stellt sich die Frage: Wie wird die Zukunft des alltäglichen ML aussehen?

Ein interessanter Ansatz für maschinelles Lernen sind die sogenannten predictive Queries sind ein interessanter Ansatz für maschinelles Lernen, insbesondere im Kontext der ML-Demokratisierung. Lösungen wie BayesLite und Aito vom MIT bieten eine Möglichkeit, mit SQL-ähnlichen Abfragen sofort Vorhersagen zu erhalten. Als Beispiel ist hier eine prädiktive Abfrage in Aito zu sehen:

{
  "from": "invoice_data", 
  "where": {
     "Artikel_Beschreibung": "Verpackungsdesign",
     "Hersteller_Code": "VENDOR-1676" 
  }, 
  "predict": "Produkt_Kategorie": "Produkt_Kategorie". 
} 

Prädiktive Abfragen scheinen eine einfachere, schnellere und radikal andere Art des maschinellen Lernens zu sein. Sie geben einen Vorgeschmack auf eine Zukunft, in der jeder maschinelles Lernen so einfach durchführen kann wie Datenbankabfragen.

Dieser englischsprachige Artikel von Antti Rauhala, Mitbegründer von aito.ai gibt eine kurze Einführung in prädiktive Abfragen und vergleicht die prädiktiven Abfragen mit überwachtem Lernen anhand von drei  Aspekten:

• Dem Arbeitsablauf, wobei die Einfachheit und die Kosten zwischen prädiktiven Abfragen und überwachtem maschinellen Lernen verglichen werden,
• der Architektur, die die großen Unterschiede zwischen der Verwendung von prädiktiven Abfragen und
• der Verwendung von überwachten Modellen.