从"数据出库"到"模型入库":库内机器学习全流程实践
机器学习落地企业时序场景,模型本身往往不是最贵的部分,最贵的是数据搬运:数据从数据库导出到 Python 环境,做特征工程、训练成模型,再把模型部署成独立服务,预测结果最后还得写回数据库。一个流程四次搬运,每次都附带格式转换、管道维护和口径漂移的风险。DolphinDB 对这条链路的回答是把流程折叠进库内:特征工程复用库内的向量化计算与滑动窗口函数族;经典算法(回归、分类、聚类、降维)以内置函数形式存在,直接吃分布式数据源;深度模型训练可以留在 Python 生态,但通过 Tensor 数据形式与 LibTorch 插件,推理回到数据库内核完成;AI DataLoader 又反向打通了训练取数...