Amazon Aurora 机器学习

Amazon Aurora 机器学习（ML）让您能够通过熟悉的 SQL 编程语言，将基于机器学习的预测添加到应用程序，因此您无需学习单独的工具，也无需拥有机器学习经验。提供 Aurora 与 AWS 机器学习服务之间的简单、优化且安全的集成，而无需构建自定义集成或移动数据。运行机器学习查询时，Aurora 会调用 Amazon SageMaker 或 Amazon Bedrock 以获取丰富的机器学习算法（包括生成式人工智能）或 Amazon Comprehend 进行情绪分析。这样，您的应用程序就无需直接调用这些服务。 

这让 Aurora 机器学习适合于低延迟的实时使用场景，例如，欺诈侦测、广告定向、文本摘要以及产品推荐。例如，您可以通过在 Aurora 中编写 SQL 查询来构建产品推荐系统，这些查询将客户资料、购物历史和产品目录数据传递给 SageMaker 模型，并将产品推荐作为查询结果返回。 您可以从模型实时接收建议，也可以通过定期调用模型在数据库中存储始终保持最新的预测列。

Aurora ML 也是一种方便且安全的方法，可将 Aurora 中存储的知识传递到大型语言模型（LLM），以作为检索增强生成（RAG）的一部分生成模型响应，而无需编写自定义代码。例如，您可以使用 Aurora ML 将您的业务数据作为提示的一部分传递到 Amazon Bedrock，以增强对基础模型的了解，并以自然语言向使用您的数据的用户提供答案。这使得构建可以回答包含特定产品或定价数据的问题的聊天机器人成为可能。

Aurora 将机器学习模型作为 SQL 函数公开，允许您使用标准 SQL 来构建可以调用机器学习模型、向其传递数据并将预测或文本作为查询结果返回的应用程序。不存在学习曲线、开发复杂性，也不需要学习新的编程语言或工具。

使用任何机器学习模型进行预测，包括您在 SageMaker 或其他地方训练的模型、Amazon Bedrock 中提供的模型以及 AWS 合作伙伴在 AWS Marketplace 上提供的模型。您也可以使用 Amazon Comprehend 进行情绪分析，无需任何培训。

Aurora 直接与 SageMaker、Amazon Bedrock 和 Amazon Comprehend 集成，减少了网络延迟。机器学习训练和推理在 SageMaker、Amazon Bedrock 和 Amazon Comprehend 中进行，因此对 Aurora 的性能没有影响。 Aurora 与每个 AWS 机器学习服务之间的集成针对延迟和吞吐量进行了进一步优化，使吞吐量提高了多达 100 倍。由于机器学习模型是与数据库和应用程序分开部署的，因此每个模型都可以独立于其他模型纵向扩展或横向扩展。

Aurora、SageMaker、Amazon Bedrock 和 Amazon Comprehend 之间的集成确保了数据库内部的数据安全和治理。可以通过 AWS Identity and Access Management（IAM）和在您的 Aurora 数据库中控制对 Aurora 和每个机器学习服务的访问。 集成在服务之间使用端对端加密，并且没有数据在数据库之外持久存在。

Amazon Aurora PostgreSQL 兼容版本支持 pgvector 扩展，可以存储来自文本、视频或图像的机器学习模型嵌入，并执行高效的语义相似度搜索。Aurora ML 还可以调用生成这些嵌入的 SageMaker 或 Amazon Bedrock 模型，这样您就可以持续更新数据库中的这些嵌入。

您可以使用 Aurora 机器学习集成来构建产品推荐系统，根据客户的资料、购物历史和点击流数据提供个性化的产品购买推荐。您可以在 Aurora 中编写 SQL 查询，调用线性学习器和 XGBoost 等机器学习模型，将客户资料、购物历史和产品目录数据传递给这些模型，并将产品推荐作为查询结果返回。然后，可以在您的应用程序中使用查询结果来改善客户的购物体验。

Aurora 机器学习集成可以增强您的客户服务应用程序，如呼叫中心分析和客户支持服务工单处理。您可以在 Aurora 中编写 SQL 查询，将在线反馈表、支持服务工单和产品评论等客户互动数据传递给 Comprehend，分析这些数据以确定客户的情绪，并返回客户情绪作为查询结果。然后，可以在您的应用程序中使用查询结果来改善客户关系。

Aurora 可以帮助检测和预防信用卡和保险索赔处理等应用程序中的欺诈。您可以在 Aurora 中编写 SQL 查询，调用 K-means clustering 和 random cut forest 等机器学习模型，将客户资料、交易、商家信息、保单细节和索赔数据传递给这些模型，并获取需要进一步审查和分析的交易作为查询结果。然后，可以在应用程序中使用查询结果来识别和缓解欺诈活动。

可以通过分析客户对话的文字记录、了解成功模式并预测下一个最佳行动来增强销售和客户服务。pgvector 扩展允许您存储文本中的嵌入，这些嵌入可用于相似性搜索查询，以查找在特定情况下销售或解决支持案例时采取的最佳措施。使用 Aurora ML，您可以调用生成这些嵌入的模型，使其保持最新状态，从而更快地进行实时查询，以获得最佳的客户服务建议。

• Aurora 与 AWS 机器学习服务之间的集成不收取额外费用。 您只需为基础 Sagemaker、Amazon Bedrock 或 Amazon Comprehend 服务付费。
• Amazon Comprehend 是根据处理的文本量来定价的。为尽量减少费用，要注意数据库查询的大小。

Aurora ML 与 SageMaker 和 Amazon Comprehend 的集成适用于 Amazon Aurora MySQL 兼容版本 5.7 及更高版本，以及 Aurora PostgreSQL 兼容版本 11 及更高版本。Aurora ML 与 Amazon Bedrock 的集成适用于 Aurora PostgreSQL 版本 14 及更高版本，以及 Aurora MySQL 3.06 及更高版本。 您只需单击几下，升级到最新版本的 Aurora 并在 Amazon RDS 管理控制台中为 Aurora 数据库提供对 AWS 机器学习服务的访问权限，即可开始使用。您可以阅读 Amazon Aurora 文档了解更多信息。