机器学习功能与流式分析的结合提供了非常丰富的功能，不仅可以生成预测，更重要的是可以根据预测采取行动。

机器学习是让软件自己解决问题。例如，Denstream集群算法可以让您输入数据流并找出*是否*有任何相关的集群–而不必提前知道。更重要的是，它可以为您识别异常值，或者换一种方式——聚类算法可以找出一组"正常"行为，并标记"怪异"行为供您做出反应。更重要的是，随着时间的推移，企业系统开发，它通过老化旧的值和赋予最近事件更多的权重来适应——该算法比我们人类更早认识到"新常态"。这种自动化的学习和适应性使人们不仅可以根据历史数据，而且可以根据"就在这里，淘客基地，就在现在！"数据。

通过在流分析引擎中实现机器学习功能，我们创造了实时生成和使用预测的能力。您想根据温度和振动预测机器故障吗？在每个温度和振动传感器流上抛出一个Denstream集群，并观察异常值。当任何一个传感器的读数显示为异常值时，你就知道机器不再正常工作了——这是对"即将发生的坏事"的预测。当两个传感器的数据流都显示异常值时，你就知道有些东西确实不正常。这些信息让你行动起来。表演可以像警觉一样简单，但那是老生常谈。新学校要在问题发生之前解决它。温度上升？把机器关上油门，减速，让它冷却下来。温度又得到控制了吗？再次加大油门，悠哉返利机器人，加速生产，优化吞吐量。振动上升但在范围内？安排维修。温度和振动上升？把它关掉。所有这些都可以在几毫秒内完成。

你看，微信淘客，预测只是问题的一半。另一半则是在有足够的时间做出预测并付诸行动。你能做出预测的事件越接近始发事件，你需要采取行动的时间就越多。通过将机器学习应用于流式分析，您可以更快地做出预测，并在到达数据库之前对其采取行动。或者换句话说（是的，我有偏见）–预测需要流媒体。

机器学习与HANA智能数据流不限于一个算法。除了Denstream聚类算法之外，我们还提供了一种自适应hoefffing树决策树算法。为了扩展可用算法的范围，Business Objects Predictive Analytics还提供了从其自动分析工具生成CCL代码的功能。CCL或连续计算语言是用于构建流项目的SQL派生脚本语言。CCL本身是一种丰富的脚本语言，交通大数据，可以直接在SDS中实现其他机器学习功能，如统计控制图。最后，考虑到我们的HANA集成，可以将PAL函数的评分模型输出加载到流项目中并在那里执行评分。

我的TechEd讲座中关于将机器学习应用于实时流分析的回放视频更详细地介绍了HANA智能数据中的机械学习功能SAP BusinessObjects Predictive Analytics和SDS works之间的流媒体和集成。