Machine Learning de Amazon Aurora le permite agregar predicciones basadas en ML a las aplicaciones, mediante el conocido lenguaje de programación SQL, por lo que no necesita aprender herramientas independientes ni tener experiencia previa en machine learning. Proporciona una integración sencilla, optimizada y segura entre los servicios de machine learning de Aurora y AWS sin tener que crear integraciones personalizadas ni mover datos. Al ejecutar una consulta de machine learning, Aurora llama a Amazon SageMaker o Amazon Bedrock para obtener una amplia variedad de algoritmos de machine learning, como la IA generativa, o Amazon Comprehend para el análisis de opiniones, de modo que la aplicación no tiene que llamar directamente a estos servicios.

Esto hace que el machine learning de Aurora sea adecuado para casos de uso en tiempo real y de baja latencia, como la detección de fraudes, la segmentación de anuncios, el resumen de texto y las recomendaciones de productos. Por ejemplo, puede crear sistemas de recomendación de productos escribiendo consultas de SQL en Aurora que transfieran los datos del perfil del cliente, el historial de compras y el catálogo de productos a un modelo de SageMaker y obtener recomendaciones de productos como resultados de consultas. Para recibir las recomendaciones del modelo en tiempo real o almacenar una columna de pronósticos siempre actualizada en su base de datos, puede hacer llamadas periódicas al modelo.

Características

Lenguaje de programación SQL familiar

Aurora expone los modelos de aprendizaje automático como funciones de SQL, lo que permite utilizar SQL estándar para crear aplicaciones que invoquen modelos de aprendizaje automático, les transmitan datos y devuelvan predicciones como resultados de consultas. No hay curva de aprendizaje, complejidad de desarrollo ni necesidad de aprender lenguajes o herramientas de programación nuevos.

Amplia selección de algoritmos de machine learning

Ejecuta predicciones con cualquier modelo de machine learning, incluidos los modelos que haya formado en SageMaker o en otros lugares, los modelos ofrecidos por Amazon Bedrock y los modelos que ofrecen los socios de AWS en AWS Marketplace. También puede usar Comprehend para el análisis de opiniones, sin ningún tipo de formación.

Rendimiento

Aurora se integra directamente con SageMaker, Bedrock y Comprehend, lo que reduce el retraso de la red. La formación y la inferencia de machine learning se realizan en SageMaker, Bedrock y Comprehend, por lo que el rendimiento de Aurora no se ve afectado. La integración entre Aurora y cada uno de los servicios de machine learning de AWS se optimiza aún más en términos de latencia y rendimiento, lo que permite mejorar el rendimiento hasta 100 veces. Dado que el modelo de machine learning se implementa por separado de la base de datos y la aplicación, cada uno se puede escalar o reducir de manera independiente de los demás.

Seguridad y gobernanza

La integración entre Aurora, SageMaker, Bedrock y Comprehend garantiza que la seguridad y la gobernanza de los datos permanezcan en la base de datos. El acceso a Aurora y a cada servicio de machine learning se puede controlar mediante AWS Identity and Access Management (IAM) y desde su base de datos de Aurora. La integración utiliza un cifrado de extremo a extremo entre los servicios y no se conserva ningún dato fuera de la base de datos.

Compatibilidad con texto, video e imágenes

La edición compatible con PostgreSQL de Amazon Aurora admite la extensión pgvector para almacenar incrustaciones de modelos de machine learning a partir de texto, vídeo o imágenes y para hacer búsquedas de similitud semántica eficientes. El machine learning de Aurora también puede llamar a los modelos que generan estas incrustaciones lo que le permite actualizar continuamente estas incrustaciones en su base de datos.

Casos de uso

Recomendaciones de productos

Puede utilizar la integración de Aurora ML para crear sistemas de recomendación de productos que hagan recomendaciones personalizadas de compra de productos en función del perfil del cliente, el historial de compras y los datos del flujo de clics. Puede escribir consultas de SQL en Aurora que llamen a modelos de ML, como Linear Learner y XGBoost, transferir los datos del perfil del cliente, el historial de compras y el catálogo de productos a estos modelos y obtener las recomendaciones de productos como resultados de la consulta. Estos resultados de la consulta se pueden utilizar luego en la aplicación para mejorar la experiencia de compra del cliente.

Análisis de opiniones

La integración de Aurora ML puede mejorar sus aplicaciones de servicio al cliente, como el análisis de centros de llamadas y la gestión de tickets del servicio de atención al cliente. Puede escribir consultas de SQL en Aurora, transferir datos de interacción con los clientes, como formularios de comentarios en línea, tickets del servicio de atención al cliente y reseñas de productos a Comprehend, analizar estos datos para determinar las opiniones de los clientes y obtener las opiniones de los clientes como resultados de la consulta. Estos resultados de la consulta se pueden utilizar luego en sus aplicaciones para mejorar su relación con los clientes.

Detección de fraude

Aurora puede ayudar a detectar y prevenir el fraude en aplicaciones, como el procesamiento de reclamaciones de tarjetas de crédito y seguros. Puede escribir consultas de SQL en Aurora que llamen a modelos de ML, como la agrupación en clústeres de K-means y Random Cut Forest, transferir el perfil del cliente, las transacciones, la información de los comerciantes, los detalles de las políticas y los datos de reclamaciones a estos modelos, y obtener las transacciones que requieren una revisión y un análisis más detallados como resultados de la consulta. Los resultados de la consulta los podrá utilizar luego en sus aplicaciones, para identificar y mitigar el fraude.

Servicio al cliente

Las ventas y el servicio al cliente se pueden mejorar mediante el análisis de las transcripciones de texto del diálogo con los clientes para conocer los patrones de éxito y predecir las próximas acciones recomendadas. La extensión pgvector le permite almacenar incrustaciones de texto que se pueden utilizar en consultas de búsqueda por similitud para encontrar la acción recomendada para vender o para resolver un caso de soporte en una situación específica. Con el ML de Aurora, puede llamar al modelo que genera estas incrustaciones para mantenerlas actualizadas y hacer consultas más rápidas en tiempo real a fin de obtener recomendaciones óptimas del servicio al cliente.

Recursos

Video

Precios

  • No se cobra un cargo adicional por la integración entre los servicios de machine learning de Aurora y AWS. Solo paga por los servicios básicos.
  • El precio de Comprehend se basa en la cantidad de texto procesado. Para minimizar los cargos, preste atención al tamaño de las consultas de la base de datos.

Introducción

La integración de machine learning de Aurora está disponible para las versiones 5.7 y superiores compatibles con Amazon Aurora MySQL y las versiones 11 y posteriores compatibles con Aurora PostgreSQL. La integración de machine learning de Aurora con Amazon Bedrock solo está disponible para la versión 14 y posteriores compatibles con Aurora PostgreSQL. Puede comenzar a usar estas características con unos pocos clics para actualizar Aurora a su última versión y dándole a la base de datos de Aurora acceso a los servicios de machine learning de AWS a través de la Consola de Administración de Amazon RDS. Para obtener más información, lea la documentación de Amazon Aurora.

Más información sobre Amazon Aurora

Seleccione una página de características para obtener más información sobre la edición compatible con MySQL o PostgreSQL.

Regístrese para abrir una cuenta de AWS

Acceda al instante a la consola de administración de Amazon RDS. 

Registrarse 
Aprenda con tutoriales de 10 minutos

Comience a crear con simples tutoriales de Amazon Aurora.

Introducción