Tüm Ürünler
Search
Belge Merkezi

PolarDB:Yapay zeka modeli çıkarım sonuçlarını veritabanına yazma

Son Güncelleme:Oct 07, 2026

Veritabanınız dışında bulunan veriler üzerinde yapay zeka çıkarımı çalıştırmak, verileri dışarı aktarmak, puanlamak ve sonuçları geri yüklemek için ayrı bir işlem hattı kurmayı ve sürdürmeyi gerektirir. PolarDB for AI, PolarDB for MySQL içinde çıkarım çalıştırmanıza ve çıktıyı sorgulanabilir bir tablo olarak kalıcı hale getirmenize olanak tanıyarak bu ihtiyacı ortadan kaldırır.

Çıktı, AI ile güçlendirilmiş tablo (AAT) olarak depolanır; bu, bir veya daha fazla sütunu yapay zeka modeli tarafından oluşturulan çıkarım sonuçlarını içeren bir tablodur. AAT'ler birincil depolama motoru yerine Object Storage Service (OSS) tarafından desteklenir; bu durum, yapay zeka modelinin veritabanlarına sık sık veri yazmasını engeller. Oluşturulduktan sonra bir AAT, diğer harici tablolar gibi davranır: SELECT ile sorgulayın, mevcut tablolarla birleştirin ve sütunlarını filtreleyin veya toplayın. Örneğin, AAT'lerde saklanan verileri kullanarak kullanıcı gruplarını kolayca kategorize edebilir, satış miktarlarını tahmin edebilir ve yapay zeka tarafından oluşturulan içerik elde edebilirsiniz.

Örnek: Aşağıdaki tablo havayolu, rota ve kalkış saati gibi niteliklere sahip uçuş kayıtlarını içerir.

Şekil 1. Orijinal tablo

image.png

AAT, modelin tahminini içeren bir result sütunu ekler; bu örnekte, bir uçuşun gecikme olasılığı yer alır.

Şekil 2. Yapay zeka çıkarım sonuçlarını içeren AAT

image.png

Başlamadan önce

Başlamadan önce aşağıdakileri onaylayın:

  • PolarDB for MySQL kümenizde soğuk veri arşivleme etkinleştirilmiştir. AAT'ler OSS harici tabloları olarak depolandığından bu özellik gereklidir. Bkz. Soğuk veri arşivlemeyi etkinleştirme.

  • polar4ai adında ve utf8mb4 karakter setine sahip bir veritabanı mevcuttur. AAT'ler otomatik olarak bu veritabanına yazılır. Veritabanı hesabı, hem okuma hem de yazma izinlerine sahip PolarDB for AI tarafından kullanılan hesapla eşleşmelidir. Bkz. Veritabanı oluşturma.

Bir yapay zeka modelinden AAT oluşturma

Aşağıdaki adımlar tam bir örnek üzerinden ilerler: uçuş verileri üzerinde bir LightGBM modeli eğitme, çevrimdışı bir tahmin görevi çalıştırma ve sonuçları sorgulama.

1. Adım: Model oluşturma

airlines_train tablosunda airlines_gbm_copy1 adlı bir LightGBM modeli eğitmek için aşağıdaki ifadeyi çalıştırın:

/*polar4ai*/
CREATE MODEL airlines_gbm_copy1
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 airlines_train)

2. Adım: Modelin kayıtlı olduğunu doğrulama

/*polar4ai*/SHOW MODELS;

Çıktı, veritabanında kayıtlı tüm modelleri listeler:

image.png

3. Adım: AAT oluşturmak için çevrimdışı bir tahmin görevi çalıştırma

Eğitilen modeli kullanarak bir tahmin görevi gönderin:

/*polar4ai*/SELECT TripID,Delay
FROM
  PREDICT (
    MODEL airlines_gbm_copy1,
      SELECT * FROM airlines_train_1000_copy1)
WITH
   (s_cols='TripID,Delay',
    x_cols = 'Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length',
    y_cols='Delay',
    primary_key='TripID', mode='async',into_type='db')
INTO lightgbm_v2_predict82201;

Bu ifadedeki temel parametreler:

Parametre Değer Açıklama
mode async Görevi eşzamansız olarak çalıştırır. Büyük ölçekli çıkarım önemli ölçüde zaman alabilir; eşzamanlı çalıştırma bağlantınızı süre boyunca bloke eder.
into_type db Çıktıyı veritabanından erişilebilir bir tabloya yazar. Sonuçları SQL ile sorgulamanız veya birleştirmeniz gerektiğinde db kullanın.
primary_key TripID Oluşturulan AAT'nin birincil anahtarını ayarlar.

Çalıştırmadan sonra bir görev kimliği döndürülür. Örneğin: babc6d66-xxxx-yyyy-a4b8-1b1426ce8614.

lightgbm_v2_predict82201 otomatik olarak oluşturulacak AAT'nin adıdır.

4. Adım: Görev durumunu kontrol etme

İlerlemeyi izlemek için görev kimliğini kullanın. Durum finish olduğunda model çıkarımı tamamlamış ve AAT sorgulanmaya hazır demektir.

/*polar4ai*/SHOW TASK `babc6d66-xxxx-yyyy-a4b8-1b1426ce8614`

image.png

5. Adım: AAT şemasını inceleme

SHOW CREATE TABLE polar4ai.lightgbm_v2_predict82201;

Çıktı:

CREATE TABLE `lightgbm_v2_predict82201` (
 `TripID` bigint(20) NOT NULL,
 `Delay` bigint(20) DEFAULT NULL,
 `result` text,
 PRIMARY KEY (`TripID`)
) ENGINE=CSV DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci /*!99990 800020204 NULL_MARKER='NULL' */ CONNECTION='default_oss_server'

TripID ve Delay sütunları orijinal tablodaki türleri ve uzunlukları yansıtır. result sütunu modelin çıkarım çıktısını tutar. ENGINE=CSV ve CONNECTION='default_oss_server' girişleri, tablonun OSS destekli bir harici tablo olduğunu doğrular.

6. Adım: AAT'yi sorgulama

SELECT * FROM polar4ai.lightgbm_v2_predict82201 LIMIT 1000;

image.png

result sütunu tahmin sonuçlarını ve olasılık değerlerini içerir.

7. Adım: AAT'yi diğer tablolarla birleştirme

AAT, herhangi bir düzenli tablo gibi çalışır. Sonuçları filtrelemek ve analiz etmek için bunu orijinal veri setiyle birleştirin:

SELECT * FROM
airlines_train_1000_copy1, polar4ai.lightgbm_v2_predict82204
WHERE
airlines_train_1000_copy1.TripID=polar4ai.lightgbm_v2_predict82204.TripID
AND
airlines_train_1000_copy1.Delay=1

image.png

Sınırlamalar

  • AAT'ler birincil depolama motorunda değil, OSS harici tabloları olarak depolanır.

  • polar4ai veritabanı utf8mb4 karakter setini kullanmalıdır. AAT depolaması için diğer karakter setleri desteklenmez.

  • AAT'leri oluşturmak ve sorgulamak için kullanılan veritabanı hesabı, açık okuma ve yazma izinleriyle PolarDB for AI için yapılandırılan hesapla eşleşmelidir.