Amazon Redshift ML

Développer, entraîner et déployer des modèles de machine learning (ML) à l'aide de commandes SQL courantes.

Amazon Redshift ML permet aux analystes de données et aux développeurs de bases de données de créer, d'entraîner et d'appliquer facilement des modèles de machine learning à l'aide de commandes SQL courantes dans les entrepôts des données Amazon Redshift. Avec Redshift ML, vous pouvez tirer parti d'Amazon SageMaker, un service de machine learning entièrement géré, sans apprendre à utiliser de nouveaux outils ou langages. Il vous suffit d'utiliser des instructions SQL pour créer et entraîner des modèles de machine learning Amazon SageMaker à l'aide de vos données Redshift, puis d'utiliser ces modèles pour formuler des prédictions. Par exemple, vous pouvez utiliser les données de fidélisation de la clientèle dans Redshift pour créer un modèle de détection de perte de la clientèle, puis appliquer ce modèle à vos tableaux de bord afin que votre équipe marketing propose des incitations aux clients que vous risquez de perdre. Redshift ML met le modèle à disposition sous forme de fonction SQL dans votre entrepôt des données Redshift afin que vous puissiez facilement l'appliquer directement dans vos requêtes et vos rapports.

Aucune expérience préalable en ML requise
Comme Redshift ML utilise le langage SQL standard, vous pouvez facilement être productif avec de nouveaux cas d'utilisation pour vos données d'analyse. Redshift ML fournit une intégration simple, optimisée et sécurisée entre Redshift et Amazon SageMaker et permet l'inférence au sein du cluster Redshift, ce qui facilite l'utilisation des prédictions générées par des modèles basés sur le ML dans les requêtes et les applications. Vous n'avez pas à gérer un point de terminaison distinct pour le modèle d'inférence, et les données d'entraînement sont chiffrées de bout en bout.

Utiliser le ML sur vos données Redshift à l'aide du langage SQL standard
Pour commencer, utilisez la commande CREATE MODEL SQL dans Redshift et spécifiez les données d'entraînement sous forme de tableau ou d'instruction SELECT. Redshift ML compile et importe ensuite le modèle entraîné dans l'entrepôt des données Redshift et prépare une fonction d'inférence SQL qui peut être immédiatement utilisée dans les requêtes SQL. Redshift ML gère automatiquement toutes les étapes nécessaires à l'entraînement et au déploiement d'un modèle.

Analyse prédictive avec Amazon Redshift
Avec Redshift ML, vous pouvez intégrer des prédictions telles que la détection des fraudes, l'évaluation des risques et la prévision de perte de clientèle directement dans les requêtes et les rapports. Utilisez la fonction SQL pour appliquer le modèle de ML à vos données dans les requêtes, les rapports et les tableaux de bord. Par exemple, vous pouvez exécuter régulièrement la fonction SQL « CHURN » (désabonnement) sur les nouvelles données clients de votre entrepôt des données afin de prévoir le risque de perte de clientèle. Ensuite, transmettez ces informations à vos équipes commerciales et marketing afin qu'elles puissent prendre des mesures préventives, telles que l'envoi à ces clients d'une offre visant à les fidéliser.

Apporter votre propre modèle (BYOM, Bring your own model)
Redshift ML prend en charge le modèle BYOM pour l'inférence locale ou à distance. Vous pouvez utiliser un modèle entraîné en dehors de Redshift avec Amazon SageMaker à des fins d'inférence locale dans des bases de données dans Amazon Redshift. Vous pouvez importer SageMaker Autopilot et des modèles directs entraînés par Amazon SageMaker à des fins d'inférence locale. Vous pouvez également invoquer des modèles de ML personnalisés à distance déployés sur des points de terminaison SageMaker distants. Vous pouvez utiliser n'importe quel modèle de ML SageMaker qui accepte et renvoie du texte ou un fichier CSV pour l'inférence à distance.

Amazon Redshift ML : démonstration simple de création de modèles (4:56)

Analyse prédictive dans Amazon Redshift avec Amazon SageMaker

Fonctionnement

Fonctionnement – Redshift ML (version préliminaire)

Témoignages de réussite

Logo du client Magellan Rx Management
« Sur Amazon Redshift, nous avons réduit nos coûts d'exploitation de 20 %. C'est une victoire significative par rapport à notre pile précédente. »

Vinesh Kolpe, vice-président des technologies de l'information chez Magellan Rx Management

Logo du client Jobcase
« Jobcase a plusieurs modèles en production utilisant Amazon Redshift ML. Chaque modèle effectue des milliards de prédictions en quelques minutes directement dans notre entrepôt des données Redshift, sans qu'aucun pipeline de données ne soit requis. Avec Redshift ML, nous sommes passés à des architectures de modèles qui génèrent une amélioration de 5 à 10 % des taux d'engagement des membres sur différents types de modèles d'e-mails, sans aucun coût d'inférence. »

Mike Griffin, vice-président exécutif chargé de l'optimisation et de l'analyse chez Jobcase

Rackspace_Technology_Logo_RGB_RED
« Chez Rackspace Technology, nous aidons les entreprises à améliorer leurs opérations d'IA/de ML. Nous sommes ravis de la nouvelle fonctionnalité Amazon Redshift ML, car elle permettra à nos clients communs de Redshift d'utiliser plus facilement le machine learning sur leur Redshift avec une interface SQL familière. L'intégration fluide avec Amazon SageMaker permettra aux analystes de données d'utiliser les données de nouvelles manières et de fournir encore plus d'informations à l'ensemble de l'organisation. »

Nihar Gupta, directeur général des solutions de données chez Rackspace Technology