Declarative ML Live Lab · DuckDB และ ClickHouse

RUN THE CONTRAST

อย่าเปรียบเทียบเพียง Millisecond ให้เปรียบเทียบว่าใครเป็นเจ้าของงาน

ทั้งสอง Engine ใช้ Sales Relation ชุดเดียวกัน Target คือ high_value = revenue ≥ 700 และใช้ Quantity, Scaled Unit Price, Scaled Discount เป็น Feature ตัวอย่างนี้ใช้เพื่อการสอน ไม่ใช่ Business Model

DuckDB · SQL-first ML

FEATURE CONTRACT + VECTORIZED SCORING

DuckDB สร้าง Typed Feature และ Score ด้วย Coefficient ที่ส่งเข้ามา โดยไม่อ้างว่าเป็น General-purpose Model Trainer

——

EXECUTED SQL

Select an experiment.

—

SQL ดูแลความหมายของ Feature และ Inference แต่ Training ยังอยู่นอกขอบเขต Engine นี้

ClickHouse · Aggregate ML

TRAINING STATE + evalMLMethod

ClickHouse ฝึก Logistic Regression ในรูป Aggregate Function และนำ Aggregate State ขนาดเล็กไปใช้ผ่าน SQL

——

EXECUTED SQL

Select an experiment.

—

ตรวจ Weight Array ในขั้น Scoring ระบบสร้าง State แบบมีขอบเขตใน Statement เดียว เพื่อให้ Public Lab สร้างซ้ำได้

หมายเหตุเรื่องเวลา DuckDB เริ่ม Subprocess ใหม่ทุก Request ส่วน ClickHouse วิ่งผ่าน HTTP และรายงาน Engine Elapsed Time ตัวเลขนี้ไม่ใช่การจัดอันดับผลิตภัณฑ์

LAB SEQUENCE

หกขั้นจาก Relation ไปถึง Model State

Lab จะสมบูรณ์เมื่อนักศึกษาอธิบายทุก Boundary ได้ ไม่ใช่เพียงสร้าง Probability สำเร็จ

อ่าน Contract

ระบุ Target, Type, หน่วย และ Scaling

รัน DuckDB Features

ยืนยันว่า Output มี Type และสร้างซ้ำได้

รัน DuckDB Scoring

หาให้ได้ว่า Coefficient เข้า SQL ตรงไหน

Train ใน ClickHouse

สังเกตหลายแถวถูกย่อเป็น Weight Array เดียว

ใช้ Aggregate State

ตาม State Creation ไปถึง evalMLMethod

อธิบาย Boundary

ระบุว่าใครดูแล Feature, Training, State และ Inference

CONTINUE

เชื่อม Showcase กลับสู่บทเรียนเต็ม

MADlib ยังคงเป็น Lab เชิงลึกด้าน Classical In-database ML ส่วนหน้านี้เพิ่ม Embedded SQL และ Columnar Aggregate-state

เปิด MADlib Lab →อ่านบทเรียนเต็ม →Data Systems Labs →