Cara mengelola model - PolarDB

PolarDB for AI mencakup model besar bawaan dan memungkinkan Anda membuat model kustom atau memuat model eksternal menggunakan pernyataan SQL. Topik ini menjelaskan cara membuat, mengunggah, mengevaluasi, dan menggunakan model untuk inferensi.

Ikhtisar model

Kategori model	Deskripsi
Model bawaan	Panggil langsung large language models (LLMs) bawaan menggunakan pernyataan SQL untuk melakukan tugas analisis kompleks. Anda tidak perlu menyinkronkan data dari PolarDB ke platform AI lainnya. Untuk informasi selengkapnya, lihat Inferensi data dan interaksi dengan LLM Qwen.
Model kustom	LLM bawaan mungkin tidak memenuhi semua kebutuhan bisnis Anda. Anda dapat membuat model kustom dan menyetelnya untuk meningkatkan performa. Selain itu, PolarDB for AI memungkinkan Anda menjalankan model dalam kontainer rahasia untuk meningkatkan keamanan data. Alur kerja untuk membuat model kustom adalah sebagai berikut: Buat model Evaluasi model Lakukan inferensi model
Model eksternal	Jika Anda memiliki model yang sudah ada, Anda dapat mengunggah dan menerapkannya di PolarDB untuk inferensi. Contohnya termasuk model berbasis framework Sklearn, seperti light gradient boosting machine (LightGBM) dan GBDT, atau algoritma pembelajaran mendalam berbasis framework TensorFlow atau PyTorch. Alur kerja untuk memuat model eksternal adalah sebagai berikut: Unggah model Terapkan model Evaluasi model Lakukan inferensi model

Buat model

Buat model pembelajaran mesin. Pembuatan model merupakan proses asinkron. Kueri status model untuk memeriksa apakah pembuatan telah selesai.

Sintaks

CREATE MODEL model_name WITH ( model_class = '', x_cols = '', y_cols='',model_parameter=()) AS (SELECT select_expr [, select_expr] ... FROM table_reference)

Parameter

Parameter	Deskripsi
model_name	Nama model.
model_class	Jenis model. Nilai yang valid: lightgbm: Untuk informasi selengkapnya, lihat Algoritma LightGBM. deepfm: Untuk informasi selengkapnya, lihat Algoritma DeepFM. kmeans: Untuk informasi selengkapnya, lihat Algoritma pengelompokan K-means (K-Means). randomforestreg: Untuk informasi selengkapnya, lihat Algoritma regresi random forest (Random Forest Regression). gbrt: Untuk informasi selengkapnya, lihat Algoritma GBRT (GBRT). linearreg: Untuk informasi selengkapnya, lihat Algoritma LR (Linear Regression). svr: Untuk informasi selengkapnya, lihat Algoritma support vector regression (SVR). bst: Untuk informasi selengkapnya, lihat Algoritma BST.
x_cols	Kolom input untuk pembuatan model. Catatan Pisahkan beberapa nama kolom dengan koma (,).
y_cols	Kolom output untuk pembuatan model.
model_parameter	Parameter untuk pembuatan model. Ketika nilai `model_class` adalah lightgbm, lihat deskripsi metrik untuk nilai `model_parameter`. Ketika nilai `model_class` adalah deepfm, lihat deskripsi parameter untuk nilai `model_parameter`. Jika `model_class` diatur ke kmeans, lihat Deskripsi Parameter untuk detail tentang `model_parameter`. Ketika nilai `model_class` adalah randomforestreg, lihat Deskripsi Parameter untuk nilai `model_parameter`. Ketika nilai `model_class` adalah gbrt, lihat Deskripsi Parameter untuk nilai `model_parameter`. Ketika nilai `model_class` adalah `linearreg`, nilai untuk `model_parameter` dijelaskan dalam Deskripsi Parameter. Untuk informasi tentang nilai `model_parameter` ketika `model_class` adalah svr, lihat Deskripsi Parameter. Ketika `model_class` adalah bst, lihat Deskripsi Parameter untuk nilai `model_parameter`.
select_expr	Nama kolom.
table_reference	Nama tabel.

Contoh

Buat model airlines_gbm.

/*polar4ai*/CREATE MODEL airlines_gbm WITH (model_class='lightgbm', x_cols ='Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length', y_cols='Delay',model_parameter=(boosting_type='gbdt', n_estimators=100, max_depth=8, num_leaves=256)) as (SELECT * FROM db4ai.airlines_train)

Hasil berikut dikembalikan:

Query OK, 0 rows affected (0.79 sec)

Unggah model

PolarDB for AI mendukung pengunggahan model pembelajaran mesin kustom. Anda dapat mengunggah model yang dibuat secara offline ke PolarDB for AI lalu mengelolanya melalui platform tersebut. PolarDB for AI mendukung format model berikut: PMML, ONNX, dan Checkpoint (untuk platform TensorFlow dan PyTorch).

Sintaks

UPLOAD MODEL model_name WITH (model_location = '', req_location = '')

Parameter

Parameter	Deskripsi
model_name	Nama model.
model_location	URL file model.
req_location	URL file yang berisi dependensi runtime model.

Contoh

Unggah model my_model yang telah dibuat ke platform PolarDB for AI.

/*polar4ai*/UPLOAD MODEL my_model WITH (model_location='https://xxxx.oss-cn-hangzhou.aliyuncs.com/xxxx/model.pkl?Expires=xxxx&OSSAccessKeyId=xxxx&Signature=xxxx', req_location='https://xxxx.oss-cn-hangzhou.aliyuncs.com/xxxx/requirements.txt?Expires=xxxx&OSSAccessKeyId=xxxx&Signature=xxxx');

Hasil berikut dikembalikan:

Query OK, 0 rows affected (0.29 sec)

Jalankan perintah berikut untuk memeriksa status model.

/*polar4ai*/ SHOW MODEL my_model;

Hasil berikut dikembalikan:

+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| modelStatus | modelPath                                                                                                                   |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| saved       | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/xxxxx.pkl?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx  |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
1 row in set (0.23 sec)

Jika modelStatus bernilai saved, berarti model telah diunggah.

Terapkan model

Terapkan model yang telah diunggah pada platform PolarDB for AI. Setelah diterapkan, model berada dalam status online sehingga panggilan inferensi selanjutnya menjadi lebih cepat.

Sintaks

DEPLOY MODEL model_name

Parameter

Parameter	Deskripsi
model_name	Nama model.

Contoh

Terapkan model my_model pada platform PolarDB for AI.

/*polar4ai*/ DEPLOY MODEL my_model;

Hasil berikut dikembalikan:

Query OK, 0 rows affected (0.29 sec)

Jalankan perintah berikut untuk memeriksa status model:

/*polar4ai*/ SHOW MODEL my_model;

Hasil berikut dikembalikan:

+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| modelStatus | modelPath                                                                                                                   |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| serving     | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/xxxxx.pkl?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx  |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
1 row in set (0.23 sec)

Jika modelStatus bernilai serving, berarti model telah diterapkan.

Lihat model

Catatan

Anda hanya dapat melihat model kustom dan model eksternal yang diunggah. Model yang tertanam dalam PolarDB for AI tidak dapat dilihat.

Lihat daftar model

Lihat semua model kustom dan model eksternal yang diunggah dalam kluster saat ini.

Sintaks

SHOW MODELS

Contoh

/*polar4ai*/SHOW MODELS

Hasil berikut dikembalikan:

+-----------------------+-----------------+--------------+
| model_name            | model_class     | model_status |
+-----------------------+-----------------+--------------+
| airline_rfr           | randomforestreg | saved        |
| gbrt1                 | gbrt            | saved        |
| airline_deepfm        | deepfm          | saved        |
| airlines_gbm          | lightgbm        | saved        |
| lgbm1                 | lightgbm        | saved        |
| blackfriday_linearreg | linearreg       | saved        |
+-----------------------+-----------------+--------------+
6 rows in set (0.24 sec)

Lihat status model

Lihat status terkini suatu model. Setelah membuat model, gunakan sintaks ini untuk memeriksa apakah pembuatan telah selesai. Model dapat memiliki status berikut:

training: Model sedang dibuat.
loading_data: Model sedang memuat data.
trained: Model telah dibuat.
saved: Model telah disimpan.
serving: Model dalam layanan.
deleted: Model telah dihapus.

Sintaks

SHOW MODEL model_name

Parameter

Parameter	Deskripsi
model_name	Nama model.

Contoh

Lihat status terkini model airlines_gbm.

/*polar4ai*/SHOW MODEL airlines_gbm;

Hasil berikut dikembalikan:

+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| modelStatus | modelPath                                                                                                                   |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| saved       | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/xxxxx.pkl?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx  |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
1 row in set (0.23 sec)

Catatan

URL modelPath berlaku selama 100 menit. Parameter Expires dalam URL modelPath menunjukkan waktu kedaluwarsa. Akses URL sebelum masa berlakunya habis.

Lihat detail model

Sintaks

DESCRIBE MODEL model_name

Parameter

Parameter	Deskripsi
model_name	Nama model.

Contoh

Lihat detail model airlines_gbm.

/*polar4ai*/DESCRIBE MODEL airlines_gbm;

Hasil berikut dikembalikan:

+-------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
| model_name        | model_description                                                                                                                                                                                                                                                                 |
+-------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
| airlines_gbm      | basic information:model_name:airlines_gbm model_class:lightgbm feature important:features,imp_gain,imp_splitAirline,0.3327,0.0376 AirportFrom,0.2178,0.1842 Time,0.1893,0.1999 AirportTo,0.1668,0.187 DayOfWeek,0.0384,0.1236 Length,0.0307,0.1269 Flight,0.0242,0.1408           |
+-------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
1 row in set (0.65 sec)

Evaluasi model

Evaluasi performa model yang telah dibuat.

Sintaks

SELECT select_expr [, select_expr] ... FROM EVALUATE (MODEL model_name, SELECT select_expr_for_prediction [, select_expr_for_prediction] ... FROM table_reference ) WITH (x_cols = '', y_cols='', metrics='')

Parameter

Parameter	Deskripsi
select_expr	Kolom yang akan ditampilkan dalam hasil evaluasi model.
model_name	Nama model.
select_expr_for_prediction	Kolom yang digunakan untuk evaluasi model.
table_reference	Nama tabel.
x_cols	Kolom input untuk pembuatan model. Pisahkan beberapa nama kolom dengan koma (,).
y_cols	Anda dapat membuat kolom output model.
metrics	Metrik evaluasi model. Nilai yang valid: acc: Akurasi. Metrik ini berlaku untuk tugas klasifikasi. r2_score: Koefisien determinasi. Metrik ini berlaku untuk tugas regresi. ks: Nilai KS. Nilai ini menunjukkan kemampuan model untuk membedakan antara contoh positif dan negatif. Metrik ini berlaku untuk tugas klasifikasi. auc: Nilai AUC. Nilai ini merepresentasikan luas area di bawah kurva karakteristik operasi penerima (ROC). Metrik ini berlaku untuk tugas klasifikasi. Fscore: F-score. Ini adalah rata-rata harmonik dari presisi dan tingkat recall. Metrik ini berlaku untuk tugas klasifikasi.

Contoh

Gunakan model airlines_gbm yang telah dibuat untuk melakukan evaluasi model.

/*polar4ai*/SELECT Delay FROM evaluate(MODEL airlines_gbm, SELECT * FROM db4ai.airlines_test) WITH (x_cols = 'Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length', y_cols='Delay', metrics='acc');

Hasil berikut dikembalikan:

+--------------------------------------+
| task_id                              |
+--------------------------------------+
| df05244e-21f7-11ed-be66-xxxxxxxxxxxx |
+--------------------------------------+
1 row in set (0.95 sec)

Jalankan perintah berikut untuk memeriksa status tugas.

/*polar4ai*/SHOW TASK `df05244e-21f7-11ed-be66-xxxxxxxxxxxx`;

Hasil berikut dikembalikan:

+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
| taskStatus | filePath                                                                                                                                           | results         | startTime                  | endTime                    |
+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
| finish     | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/pc-xxxxxxx/airlines_gbm/xxxxx.csv?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx | {"acc": 0.6694} | 2022-08-22 17:22:21.122101 | 2022-08-22 17:22:39.428811 |
+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
1 row in set (0.24 sec)

Catatan

URL filePath berlaku selama 100 menit. Parameter Expires dalam URL filePath menunjukkan waktu kedaluwarsa. Akses URL sebelum masa berlakunya habis.

Lakukan inferensi model

Gunakan model yang telah dibuat untuk melakukan inferensi online atau offline.

Sintaks

SELECT select_expr [, select_expr] ... FROM PREDICT (MODEL model_name, SELECT select_expr_for_prediction [, select_expr_for_prediction] ... FROM table_reference LIMIT row_count) WITH (x_cols= '')

Parameter

Parameter	Deskripsi
select_expr	Kolom yang akan ditampilkan dalam hasil inferensi model.
model_name	Nama model.
select_expr_for_prediction	Kolom yang digunakan untuk inferensi model.
table_reference	Nama tabel.
mode	Mode. Atur parameter ini ke async untuk inferensi offline. Jika dibiarkan kosong, inferensi online akan dilakukan.
row_count	Jumlah sampel untuk inferensi.
x_cols	Kolom input untuk pembuatan model. Pisahkan beberapa nama kolom dengan koma (,).

Contoh

Inferensi online.

Gunakan model airlines_gbm yang telah dibuat untuk melakukan inferensi online.

/*polar4ai*/SELECT Delay FROM PREDICT(MODEL airlines_gbm, SELECT * FROM db4ai.airlines_test LIMIT 10) WITH (x_cols = 'Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length', y_cols='Delay');

Hasil berikut dikembalikan:

+-------+-------------------+
| Delay | predicted_results |
+-------+-------------------+
|     1 | 0                 |
|     0 | 0                 |
|     0 | 0                 |
|     0 | 0                 |
|     0 | 0                 |
|     0 | 0                 |
|     1 | 0                 |
|     0 | 0                 |
|     0 | 0                 |
|     1 | 0                 |
+-------+-------------------+
10 rows in set (0.74 sec)

Inferensi offline.

Jika jumlah sampel inferensi melebihi 1.000, PolarDB for AI akan meminta Anda menggunakan tugas offline:

ERROR 9050 (HY000): Please limit the SQL selected data length to less than '1000' or convert to offline prediction

Buat tugas offline sebagai berikut:

/*polar4ai*/SELECT Delay FROM predict(MODEL airlines_gbm, SELECT * FROM db4ai.airlines_test) WITH (x_cols = 'Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length', y_cols='Delay', mode='async');

Hasil berikut dikembalikan:

+--------------------------------------+
| task_id                              |
+--------------------------------------+
| bd0c1722-21e7-11ed-94a8-xxxxxxxxxxxx |
+--------------------------------------+
1 row in set (0.75 sec)

Kueri mengembalikan task_id tugas tersebut. Anda dapat menggunakan ID tugas ini untuk menanyakan status tugas dan URL unduhan hasilnya.

/*polar4ai*/SHOW TASK `bd0c1722-21e7-11ed-94a8-xxxxxxxxxxxx`

Hasil berikut dikembalikan:

+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
| taskStatus | filePath                                                                                                                                           | results         | startTime                  | endTime                    |
+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
| finish     | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/pc-xxxxxxx/airlines_gbm/xxxxx.csv?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx |                 | 2022-08-22 14:57:51.355240 | 2022-08-22 14:58:18.316818 |
+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
1 row in set (0.24 sec)

Catatan

URL filePath berlaku selama 100 menit. Parameter Expires dalam URL filePath menunjukkan waktu kedaluwarsa. Akses URL sebelum masa berlakunya habis.

Tugas evaluasi dan inferensi offline

Catatan

Tugas offline adalah pekerjaan pemrosesan batch jangka panjang yang tidak mengembalikan hasil secara real time. Tugas offline dapat digunakan untuk evaluasi atau inferensi.

Lihat daftar tugas offline

Lihat semua tugas offline dalam kluster saat ini.

Sintaks

SHOW TASKS

Contoh

Jalankan perintah berikut untuk melihat semua tugas offline dalam kluster saat ini.

/*polar4ai*/SHOW TASKS;

Hasil berikut dikembalikan:

+--------------------------------------+------------+-------------+----------------------------+----------------------------+
| task_id                              | task_type  | task_status | start_timestr              | end_timestr                |
+--------------------------------------+------------+-------------+----------------------------+----------------------------+
| 2cba0c74-1f8f-11ed-934a-xxxxxxxxxxxx | prediction | finish      | 2022-08-19 15:18:51.206829 |                            |
| 77b3a186-1f94-11ed-8eaa-xxxxxxxxxxxx | evaluation | finish      | 2022-08-19 15:56:44.465594 |                            |
| 972547a4-1fa3-11ed-9c6b-xxxxxxxxxxxx | evaluation | finish      | 2022-08-19 17:44:59.790353 | 2022-08-19 17:45:23.750100 |
| bd0c1722-21e7-11ed-94a8-xxxxxxxxxxxx | prediction | finish      | 2022-08-22 14:57:51.355240 | 2022-08-22 14:58:18.316818 |
| df05244e-21f7-11ed-be66-xxxxxxxxxxxx | evaluation | finish      | 2022-08-22 16:53:20.381577 | 2022-08-22 16:53:37.189953 |
| ec956db8-21fb-11ed-8400-xxxxxxxxxxxx | evaluation | finish      | 2022-08-22 17:22:21.122101 | 2022-08-22 17:22:39.428811 |
+--------------------------------------+------------+-------------+----------------------------+----------------------------+
9 rows in set (0.18 sec)

Lihat status tugas offline

Lihat status terkini suatu tugas offline. Tugas dapat memiliki status berikut:

init: Tugas sedang diinisialisasi.
running: Tugas sedang berjalan.
finish: Tugas selesai.
fail: Tugas gagal.

Sintaks

DROP TASK `task_id`

Parameter

Parameter	Deskripsi
task_id	ID tugas.

Contoh

Hapus pekerjaan dengan ID pekerjaan df05244e-21f7-11ed-be66-xxxxxxxxxxxx.

/*Polar for AI*/DROP TASK `df05244e-21f7-11ed-be66-xxxxxxxxxxxx`

Hasil berikut dikembalikan:

+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
| taskStatus | filePath                                                                                                                                           | results         | startTime                  | endTime                    |
+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
| finish     | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/pc-xxxxxxx/airlines_gbm/xxxxx.csv?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx | {"acc": 0.6694} | 2022-08-22 17:22:21.122101 | 2022-08-22 17:22:39.428811 |
+------------+----------------------------------------------------------------------------------------------------------------------------------------------------+-----------------+----------------------------+----------------------------+
1 row in set (0.24 sec)

Catatan

URL filePath berlaku selama 100 menit. Parameter Expires dalam URL filePath menunjukkan waktu kedaluwarsa. Akses URL sebelum masa berlakunya habis.

Hapus tugas offline

Sintaks

DROP TASK `task_id`

Parameter

Parameter	Deskripsi
task_id	ID tugas.

Contoh

Hapus tugas dengan ID df05244e-21f7-11ed-be66-xxxxxxxxxxxx.

/*polar4ai*/DROP TASK `df05244e-21f7-11ed-be66-xxxxxxxxxxxx`

Hapus model

Ketika model tidak lagi diperlukan, gunakan sintaks ini untuk menghapusnya.

Sintaks

DROP MODEL model_name

Parameter

Parameter	Deskripsi
model_name	Nama model.

Contoh

Hapus model airlines_gbm.

/*polar4ai*/DROP MODEL airlines_gbm

Hasil serupa berikut dikembalikan, yang menunjukkan bahwa model airlines_gbm telah dihapus:

Query OK, 0 rows affected (0.57 sec)

Praktik terbaik untuk model kustom

Bagian ini memberikan contoh alur kerja end-to-end untuk mengelola model kustom. Praktik terbaik ini mencakup pembuatan model offline dan inferensi online.

Buat model offline.

Skrip berikut menunjukkan cara membuat model offline menggunakan algoritma LightGBM:

# coding: utf-8
from pathlib import Path

import pandas as pd
from sklearn.metrics import mean_squared_error

import lightgbm as lgb
import joblib

def train_model():
    print('Loading data...')
    # load or create your dataset
    df_train = pd.read_csv('regression.train', header=None, sep='\t')
    df_test = pd.read_csv('regression.test', header=None, sep='\t')

    y_train = df_train[0]
    y_test = df_test[0]
    X_train = df_train.drop(0, axis=1)
    X_test = df_test.drop(0, axis=1)

    # create dataset for lightgbm
    lgb_train = lgb.Dataset(X_train, y_train)
    lgb_eval = lgb.Dataset(X_test, y_test, reference=lgb_train)


    # specify your configurations as a dict
    params = {
        'boosting_type': 'gbdt',
        'objective': 'regression',
        'metric': {'l2', 'l1'},
        'num_leaves': 31,
        'learning_rate': 0.05,
        'feature_fraction': 0.9,
        'bagging_fraction': 0.8,
        'bagging_freq': 5,
        'verbose': 0
    }

    print('Starting training...')
    # train
    gbm = lgb.train(params,
                    lgb_train,
                    num_boost_round=20,
                    valid_sets=lgb_eval,
                    callbacks=[lgb.early_stopping(stopping_rounds=5)])


    print('Saving model...')
    # save model to file
    # gbm.save_model('model.txt')
    joblib.dump(gbm, 'lgb.pkl')

    print('Starting predicting...')
    # predict
    y_pred = gbm.predict(X_test, num_iteration=gbm.best_iteration)
    # eval
    rmse_test = mean_squared_error(y_test, y_pred) ** 0.5
    print(f'The RMSE of prediction is: {rmse_test}')

File model diekspor dalam format .pkl. Metode predict dipanggil untuk mengembalikan hasil inferensi. Anda juga harus menyediakan file dependensi Python agar model dapat dijalankan.

Berikut adalah contoh file requirements.txt:

lightgbm==3.3.3

Unggah model.

Jalankan perintah berikut untuk mengunggah model ke PolarDB for AI.
```
/*polar4ai*/UPLOAD MODEL my_model WITH (model_location='https://xxxx.oss-cn-hangzhou.aliyuncs.com/xxxx/model.pkl?Expires=xxxx&OSSAccessKeyId=xxxx&Signature=xxxx', req_location='https://xxxx.oss-cn-hangzhou.aliyuncs.com/xxxx/requirements.txt?Expires=xxxx&OSSAccessKeyId=xxxx&Signature=xxxx')
```
model_location adalah URL file model, dan req_location adalah URL file yang berisi dependensi runtime. Siapkan kedua file ini, unggah ke bucket OSS pribadi Anda, lalu gunakan perintah tersebut untuk mengunggahnya ke platform PolarDB for AI.
Hasil berikut dikembalikan:
```
Query OK, 0 rows affected (0.29 sec)
```

Jalankan perintah berikut untuk memeriksa status model.

/*polar4ai*/ SHOW MODEL my_model;

Hasil berikut dikembalikan:

+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| modelStatus | modelPath                                                                                                                   |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| saved       | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/xxxxx.pkl?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx  |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
1 row in set (0.23 sec)

Jika modelStatus bernilai saved, berarti model telah diunggah.

Terapkan model.

Jalankan perintah berikut untuk menerapkan model pada PolarDB for AI.
```
/*polar4ai*/ DEPLOY MODEL my_model;
```
Hasil berikut dikembalikan:
```
Query OK, 0 rows affected (0.29 sec)
```

Jalankan perintah berikut untuk memeriksa status model.

/*polar4ai*/ SHOW MODEL my_model;

Informasi berikut dikembalikan:

+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| modelStatus | modelPath                                                                                                                   |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
| serving     | http://db4ai-collie-cn-hangzhou.oss-cn-hangzhou.aliyuncs.com/xxxxx.pkl?OSSAccessKeyId=xxxxxx&Expires=xxxx&Signature=xxxxxx  |
+-------------+-----------------------------------------------------------------------------------------------------------------------------+
1 row in set (0.23 sec)

modelStatus bernilai serving menunjukkan bahwa model berhasil diterapkan.

Lakukan inferensi online.

Jalankan perintah berikut untuk melakukan tugas inferensi model online.

/*polar4ai*/ SELECT Y FROM PREDICT(MODEL my_model, SELECT * FROM db4ai.regression_test LIMIT 10) WITH (x_cols = 'x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14,x15,x16,x17,x18,x19,x20,x21,x22,x23,x24,x25,x26,x27,x28', y_cols='');

Hasil berikut dikembalikan:

+------+---------------------+
| Y    | predicted_results   |
+------+---------------------+
|  1.0 | 0.6262147669037363  |
|  0.0 | 0.5082804008241021  |
|  0.0 | 0.37533158372209957 |
|  1.0 | 0.461974928099089   |
|  0.0 | 0.3777339456553666  |
|  0.0 | 0.35045096227525735 |
|  0.0 | 0.4178165504012342  |
|  1.0 | 0.40869795422774036 |
|  1.0 | 0.6826481286570045  |
|  0.0 | 0.47021259543154736 |
+------+---------------------+
10 rows in set (0.95 sec)

Alibaba Cloud bertanggung jawab atas pemeliharaan infrastruktur dasar dan perangkat lunak yang disediakan oleh Alibaba Cloud, seperti arsitektur teknis layanan dan sistem operasi. Anda bertanggung jawab atas segala sesuatu di atas sistem operasi, seperti aplikasi yang Anda instal. Lingkungan runtime instans menjadi milik Anda. Jika Anda melakukan peningkatan sistem operasi sendiri, Anda mungkin mengalami dampak negatif, seperti downtime. Lakukan dengan hati-hati dan sadari risikonya.