Produkt30. juli 2026
Nytt query-språk for prediktiv modellering av relasjonsdatabaser introdusert
Forskere har utviklet et SQL-inspirert språk, PQL, for å forenkle prosessen med å forberede data for prediktive AI-modeller, med implikasjoner for blant annet finans og anbefalingssystemer.
er en grunnleggende komponent i mange AI-systemer, brukt til å forutsi fremtidige hendelser eller manglende verdier i databaser. Eksempler inkluderer identifisering av svindel, optimalisering av forsyningskjeder, og personaliserte anbefalinger. Disse modellene, ofte basert på , genererer milliarder av prediksjoner daglig og danner ryggraden i alt fra e-handel til helsevesen.
En betydelig utfordring i dagens arbeidsflyt er imidlertid den manuelle innsatsen som kreves for å hente ut treningsdata fra relasjonsdatabaser – det vil si å definere hvilke enheter man skal forutsi noe om og assosierte målverdier. Denne prosessen er tidkrevende, byråkratisk og utsatt for feil, noe som forsinker utviklingen og implementeringen av prediktive modeller.
Forskere har nå presentert Predictive Query Language (PQL), et deklarativt språk inspirert av SQL, som skal strømlinjeforme denne oppgaven. PQL gjør det mulig å definere en prediktiv oppgave med en enkelt spørring, noe som automatiserer uthentingen og merkingen av treningsdata for ulike maskinlæringsoppgaver, inkludert regresjon, klassifisering, tidsserieprognoser og anbefalingssystemer.
PQL er allerede tatt i bruk i flere praktiske applikasjoner og er integrert i en plattform for prediktiv AI. Språkets allsidighet demonstreres gjennom bruksområder som finansiell svindeldeteksjon, produktanbefalinger og forbruksprognoser. Utviklerne har laget to implementasjoner: én for scenarier som krever lav forsinkelse og mindre datamengder, og en annen som er skalert for store databaser. Dette adresserer behovet for effektiv dataforberedelse på tvers av ulike operasjonelle krav og datamengder, og kan potensielt akselerere utviklingen av prediktive AI-løsninger.