SQL 機械学習で PREDICT T-SQL 関数を使用したネイティブ スコアリング

適用対象: SQL Server 2017 (14.x) 以降 Azure SQL データベース Azure SQL Managed Instance Azure Synapse Analytics

PREDICT T-SQL 関数 でネイティブ スコアリングを使用して、ほぼリアルタイムで新しいデータ入力の予測値を生成する方法について説明します。 ネイティブ スコアリングには、既にトレーニング済みのモデルが必要です。

PREDICT 関数では SQL 機械学習のネイティブ C++ 拡張機能が使われます。 この方法により、可能な限り最速の予測の処理速度と予測ワークロードと Open Neural Network Exchange (ONNX) 形式のサポート モデルまたは RevoScaleR および revoscalepy パッケージを使用してトレーニングされたモデルを実現します。

ネイティブ スコアリングのしくみ

ネイティブ スコアリングでは、ONNX または定義済みのバイナリ形式でモデルを読み取り、指定した新しいデータ入力のスコアを生成するライブラリを使用します。 モデルはトレーニングされ、デプロイされ、保存されるため、R または Python インタープリターを呼び出す必要なくスコアリングに使用できます。 つまり、複数のプロセスの相互作用のオーバーヘッドが軽減されるため、予測パフォーマンスが速くなります。

ネイティブ スコアリングを使用するには、PREDICT T-SQL 関数を呼び出し、次の必須の入力を渡します。

• サポートされているモデルとアルゴリズムに基づく互換性のあるモデル。
• 入力データ (通常は T-SQL クエリとして定義される)。

この関数は、入力データの予測を、パス スルーしたいソース データの任意の列と一緒に返します。

前提条件

PREDICT は以下で使用できます。

• Windows および Linux 上の SQL Server 2017 以降のすべてのエディション
• Azure SQL Managed Instance
• Azure SQL データベース
• Azure SQL Edge
• Azure Synapse Analytics

関数は、既定で有効にされます。 R や Python をインストールしたり、追加機能を有効にしたりする必要はありません。

サポートされているモデル

PREDICT 関数によってサポートされるモデル形式は、ネイティブ スコアリングを実行する SQL プラットフォームによって異なります。 どのプラットフォームでどのモデル形式がサポートされているかを確認するには、次の表を参照してください。

プラットフォーム	ONNX モデル形式	RevoScale モデル形式
SQL Server	いいえ	はい
Azure SQL Managed Instance	はい	はい
Azure SQL データベース	いいえ	[はい]
Azure SQL Edge	はい	いいえ
Azure Synapse Analytics	はい	いいえ

RevoScale モデル

モデルは、RevoScaleR または revoscalepy パッケージを使用し、下に一覧表示されているサポートされる rx アルゴリズムのいずれかを使用して、事前にトレーニングされている必要があります。

モデルのシリアル化には、R の場合は rxSerialize、Python の場合は rx_serialize_model を使用します。 これらのシリアル化関数は、高速スコアリングをサポートするように最適化されています。

サポートされている RevoScale アルゴリズム

次のアルゴリズムが revoscalepy と RevoScaleR でサポートされています。

• revoscalepy アルゴリズム

  • rx_lin_mod
  • rx_logit
  • rx_btrees
  • rx_dtree
  • rx_dforest

• RevoScaleR アルゴリズム

  • rxLinMod
  • rxLogit
  • rxBTrees
  • rxDtree
  • rxDForest

MicrosoftML または microsoftml からのアルゴリズムを使用する必要がある場合は、sp_rxPredict によるリアルタイムのスコアリングを使用します。

サポートされていないモデル タイプには、次のタイプが含まれます。

• 他の変換を含むモデル
• RevoScaleR または revoscalepy の同等の rxGlm または rxNaiveBayes アルゴリズムを使用するモデル
• PMML モデル
• 他のオープンソース ライブラリまたはサードパーティ ライブラリを使用して作成されたモデル

例

RevoScale モデルによる PREDICT

この例では、R で RevoScaleR を使用してモデルを作成してから、T-SQL からリアルタイムの予測関数を呼び出しています。

手順 1. モデルを構築して保存する

次のコードを実行して、サンプル データベースと必要なテーブルを作成します。

CREATE DATABASE NativeScoringTest;
GO
USE NativeScoringTest;
GO
DROP TABLE IF EXISTS iris_rx_data;
GO
CREATE TABLE iris_rx_data (
    "Sepal.Length" float not null, "Sepal.Width" float not null
  , "Petal.Length" float not null, "Petal.Width" float not null
  , "Species" varchar(100) null
);
GO

次のステートメントを使用して、データ テーブルにアヤメ データセットのデータを設定します。

INSERT INTO iris_rx_data ("Sepal.Length", "Sepal.Width", "Petal.Length", "Petal.Width" , "Species")
EXECUTE sp_execute_external_script
  @language = N'R'
  , @script = N'iris_data <- iris;'
  , @input_data_1 = N''
  , @output_data_1_name = N'iris_data';
GO

ここで、モデルを格納するテーブルを作成します。

DROP TABLE IF EXISTS ml_models;
GO
CREATE TABLE ml_models ( model_name nvarchar(100) not null primary key
  , model_version nvarchar(100) not null
  , native_model_object varbinary(max) not null);
GO

次のコードでは、アヤメ データセットに基づいてモデルを作成し、それを models という名前のテーブルに保存します。

DECLARE @model varbinary(max);
EXECUTE sp_execute_external_script
  @language = N'R'
  , @script = N'
    iris.sub <- c(sample(1:50, 25), sample(51:100, 25), sample(101:150, 25))
    iris.dtree <- rxDTree(Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width, data = iris[iris.sub, ])
    model <- rxSerializeModel(iris.dtree, realtimeScoringOnly = TRUE)
    '
  , @params = N'@model varbinary(max) OUTPUT'
  , @model = @model OUTPUT
  INSERT [dbo].[ml_models]([model_name], [model_version], [native_model_object])
  VALUES('iris.dtree','v1', @model) ;

注意

RevoScaleR からの rxSerializeModel 関数を使用して、モデルを保存してください。 標準の R serialize 関数では、必要な形式を生成できません。

次のようなステートメントを実行すると、格納されているモデルをバイナリ形式で表示できます。

SELECT *, datalength(native_model_object)/1024. as model_size_kb
FROM ml_models;

手順 2. モデルで PREDICT を実行する

次の単純な PREDICT ステートメントでは、ネイティブ スコアリング関数を使用して、デシジョン ツリー モデルから分類を取得します。 指定した属性に基づいてアヤメの種類、花弁の長さと幅が予測されます。

DECLARE @model varbinary(max) = (
  SELECT native_model_object
  FROM ml_models
  WHERE model_name = 'iris.dtree'
  AND model_version = 'v1');
SELECT d.*, p.*
  FROM PREDICT(MODEL = @model, DATA = dbo.iris_rx_data as d)
  WITH(setosa_Pred float, versicolor_Pred float, virginica_Pred float) as p;
go

"PREDICT 関数の実行中にエラーが発生しました。 モデルが破損しているか無効です" というエラーを受け取った場合、通常は、クエリがモデルを返さなかったことを意味します。 モデル名を正しく入力したかどうか、またはモデル テーブルが空であるかどうかを確認します。

注意

PREDICT によって返される列と値は、モデルの種類によって異なる場合があるため、WITH 句を使用して、返されるデータのスキーマを定義する必要があります。

次のステップ

• PREDICT T-SQL 関数
• SQL の機械学習のドキュメント
• SQL Edge での ONNX を使用した機械学習と AI
• Azure SQL Edge での ONNX モデルを使用したデプロイと予測
• Azure Synapse Analytics で PREDICT を使用した機械学習モデルのスコア付け