Mit dem SQL Server 2025 wird Künstliche Intelligenz erstmals direkt in die T-SQL-Welt integriert. Herzstück dieser Funktionalität ist die Möglichkeit, sogenannte trainierte Modelle im ONNX-Format zu verwenden – direkt in SQL-Abfragen.
In diesem Beitrag erfährst Du:
- Was ein trainiertes Modell ist
- Wie man ein Modell im ONNX-Format erstellt
- Wie Du es im SQL Server einbindest und nutzt
- Wie oft man Modelle trainieren oder neu trainieren sollte
- Ein einfaches Setup für regelmäßiges Re-Training
🧠 1. Was ist ein trainiertes Modell?
Ein trainiertes Modell ist ein KI-Algorithmus, der aus vorhandenen Daten gelernt hat, wie bestimmte Eingaben zu bestimmten Ergebnissen führen.
Beispiel:
Du gibst dem Modell historische Verkaufsdaten mit Informationen wie:
- Wochentag
- Produktpreis
- Werbeaktionen (ja/nein)
- Saison
- Verkäufe
Das Modell lernt daraus:
„Wenn am Wochenende der Preis unter 30 € liegt und Werbung läuft, steigen die Verkäufe.“
Diese Regelwerke sind nicht von Menschen programmiert, sondern werden statistisch automatisch gelernt.
🔄 2. Was ist ONNX?
ONNX steht für Open Neural Network Exchange.
Es ist ein offenes, plattformunabhängiges Format, in dem trainierte Modelle gespeichert und zwischen Tools ausgetauscht werden können.
Vorteile:
- In vielen Tools einsetzbar (Python, Azure ML, ML.NET etc.)
- Kompatibel mit SQL Server 2025
- Ermöglicht standardisierte Workflows
Du kannst also ein Modell z. B. in Python trainieren, als .onnx exportieren – und direkt im SQL Server verwenden.
🛠️ 3. So erstellst Du ein Modell im ONNX-Format
🔧 Beispiel in Python (mit scikit-learn + skl2onnx)
import pandas as pd
from sklearn.linear_model import LinearRegression
from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType
import joblib
# Trainingsdaten laden
df = pd.read_csv("verkaufsdaten.csv")
X = df[["Wochentag", "Preis", "Werbung", "Saison"]]
y = df["Verkäufe"]
# Modell trainieren
model = LinearRegression()
model.fit(X, y)
# Modell in ONNX konvertieren
initial_type = [("input", FloatTensorType([None, 4]))]
onnx_model = convert_sklearn(model, initial_types=initial_type)
# Speichern
with open("sales_forecast.onnx", "wb") as f:
f.write(onnx_model.SerializeToString())
🧩 4. Modell im SQL Server 2025 verwenden
- Modell ins Dateisystem oder Blob hochladen
- Im SQL Server registrieren:
CREATE EXTERNAL MODEL SalesForecastModel
FROM (CONTENT = 'C:\Modelle\sales_forecast.onnx')
WITH (
INPUT_SCHEMA = (Wochentag INT, Preis FLOAT, Werbung BIT, Saison BIT),
OUTPUT_SCHEMA = (Forecast FLOAT)
);
- Daten vorbereiten:
SELECT
Wochentag = 6,
Preis = 29.99,
Werbung = 1,
Saison = 0
INTO #ForecastInput;
- Vorhersage abrufen:
SELECT
Forecast AS ErwarteterAbsatz
FROM
PREDICT(MODEL = SalesForecastModel, DATA = #ForecastInput);
🔁 5. Wie oft sollte man Modelle neu trainieren?
Einmaliges Training reicht nur, solange sich die Welt nicht verändert.
Wann solltest Du neu trainieren?
| Anlass | Empfehlung |
|---|---|
| Neue Produkte, neue Kundenstruktur | Sofort neues Training |
| Starke Marktveränderungen | Alle 1-3 Monate prüfen |
| Routine ohne große Veränderungen | Quartalsweises Re-Training |
| Modell liefert schlechte Vorhersagen | Sofortiges Re-Training |
🔄 6. Wie funktioniert regelmäßiges Re-Training?
🛠 Idee für KMU:
- Tägliche/Jährliche Daten automatisch sammeln (z. B. über SQL Server Agent)
- Re-Training als Python-Job auf einem kleinen Server oder Notebook
- ONNX-Datei nach dem Training automatisch überschreiben
- SQL Server-Modellreferenz aktualisieren (wenn nötig)
Beispiel: Monatliches Re-Training mit Windows-Taskplaner:
python retrain_sales_model.py
copy sales_forecast.onnx \\sqlserver\modelle\
🚀 Fazit
Mit SQL Server 2025, ONNX und einem einmal trainierten Modell kannst Du sofort produktiv starten. Du brauchst kein komplexes Machine-Learning-Setup – ein einfaches Modell kann große Wirkung entfalten.
🔁 Wer regelmäßig re-trainiert, bleibt am Puls der Zeit und verbessert die Prognosequalität kontinuierlich.
📌 Tipp vom Datenschäfer
Ich helfe Dir gerne dabei, ein Re-Trainingskonzept für Deine Daten zu entwickeln – automatisiert, verständlich und zukunftssicher. Schreib mir einfach!
Keine Antworten