文档数据库通过提供灵活的存储、高效的数据检索以及与机器学习工具的集成来处理机器学习 (ML) 工作负载。它们以 JSON 等格式存储非结构化或半结构化数据，这与 ML 数据管道的动态性质非常吻合。虽然文档数据库并非专为计算密集型 ML 任务而设计，但它们在 ML 工作流程的数据准备和数据服务阶段表现出色，使开发人员能够高效地预处理和提供数据。
对于数据准备，文档数据库简化了原始数据集的存储和查询。例如，像 MongoDB 这样的文档数据库可以存储嵌套数据（例如，用户行为日志、传感器读数或文本文档）而无需严格的 schema，这使得处理不断变化的数据格式更加容易。开发人员可以直接在数据库中使用聚合管道来过滤、转换或连接文档。这减少了将数据导出到外部工具进行预处理的需求。一个常见的用例是使用内置查询操作符从原始文档中提取特征——例如计算时间序列数据的平均值或对文本字段进行标记化。这些操作可以在分布式设置中的分片上并行执行，从而加速大规模训练的数据准备。
对于模型服务，文档数据库作为预测或嵌入的低延迟存储。训练模型后，预测结果可以与原始数据一起存储在文档中，从而实现实时检索。例如，一个电子商务应用程序可能会将产品推荐（由 ML 模型生成）直接存储在用户配置文件文档中。一些数据库还与 ML 框架集成：例如，MongoDB 的 Python 驱动程序允许将数据加载到 Pandas DataFrames 中进行训练，而像 Apache Spark 这样的工具可以直接查询文档数据库以进行分布式处理。此外，诸如 change streams 之类的功能可以在新数据到达时触发模型再训练，从而实现自动化更新。
文档数据库不太适合进行繁重的计算（例如，深度学习中的矩阵运算），但它们通过简化数据管理来补充 ML 工作流程。其水平扩展性确保它们能够处理不断增长的数据集，其灵活性降低了预处理开销。通过专注于其优势——存储、检索和提供半结构化数据——它们成为端到端 ML 管道中的一个实用组件。