Amazon Aurora Machine Learning

Il machine learning di Amazon Aurora consente di aggiungere previsioni basate su ML alle applicazioni tramite il noto linguaggio di programmazione SQL, cosicché non è necessario apprendere strumenti separati o avere precedenti esperienze di machine learning. Fornisce un'integrazione semplice, ottimizzata e sicura tra Aurora e i servizi AWS ML senza dover creare integrazioni personalizzate o spostare dati. Quando esegui una query ML, Aurora chiama Amazon SageMaker per un'ampia gamma di algoritmi ML tra cui l’IA generativa o Amazon Comprehend per l'analisi del sentiment, quindi la tua applicazione non ha bisogno di chiamare direttamente questi servizi.

Ciò rende il machine learning di Aurora adatto a casi d'uso a bassa latenza e in tempo reale, come il rilevamento di frodi, il targeting degli annunci e i consigli sui prodotti. Ad esempio, puoi creare sistemi di consigli sui prodotti scrivendo query SQL in Aurora che trasmettono il profilo del cliente, la cronologia degli acquisti e i dati del catalogo prodotti a un modello SageMaker, ottenendo così consigli sui prodotti restituiti come risultati delle query. È possibile ricevere le raccomandazioni in tempo reale dal modello oppure archiviare una colonna prevista sempre aggiornata nel database effettuando chiamate periodiche al modello.

Aurora espone i modelli ML come funzioni SQL, consentendoti di utilizzare SQL standard per creare applicazioni che richiamano modelli ML, trasferiscono dati e restituiscono previsioni come risultati di query. Non c'è alcuna curva di apprendimento, complessità di sviluppo o esigenza di apprendere nuovi linguaggi o strumenti di programmazione.

Esegui previsioni utilizzando qualsiasi modello di machine learning, inclusi modelli che hai addestrato in SageMaker o altrove, modelli offerti da AWS e modelli offerti dai partner AWS su AWS Marketplace. Puoi anche utilizzare Comprehend per l'analisi del sentiment, senza alcuna formazione.

Aurora si integra direttamente con SageMaker e Comprehend, riducendo il ritardo di rete. La formazione e l'inferenza del machine learning avvengono in SageMaker e in Comprehend, quindi non vi è alcun impatto sulle prestazioni di Aurora. L'integrazione tra Aurora e ogni servizio di machine learning di AWS è ulteriormente ottimizzata per latenza e velocità di trasmissione effettiva, offrendo miglioramenti della velocità di trasmissione effettiva fino a 100 volte. Poiché il modello di machine learning viene distribuito separatamente dal database e dall'applicazione, ciascuno può essere aumentato o ridimensionato in orizzontale indipendentemente dagli altri.

L'integrazione tra Aurora, SageMaker e Comprehend garantisce che la sicurezza e la governance dei dati siano mantenute all'interno del database. L'accesso ad Aurora e a ciascun servizio ML può essere controllato tramite AWS Identity and Access Management (IAM) e all'interno del tuo database Aurora. L'integrazione utilizza la crittografia end-to-end tra i servizi e nessun dato viene conservato all'esterno del database.

Amazon Aurora PostgreSQL Compatible Edition supporta l'estensione pgvector per archiviare incorporamenti di modelli di machine learning da testo, video o immagini ed eseguire un'efficiente ricerca di similarità semantica. Il ML di Aurora può anche chiamare i modelli che generano questi incorporamenti come endpoint Amazon SageMaker, consentendoti di aggiornare continuamente questi incorporamenti nel tuo database.

Puoi utilizzare l'integrazione di Aurora ML per creare sistemi di consigli sui prodotti che formulano consigli personalizzati per l'acquisto dei prodotti in base al profilo del cliente, alla cronologia degli acquisti e ai dati di clickstream. Puoi scrivere query SQL in Aurora che richiamano modelli ML come linear learner e XGBoost, trasmettere il profilo del cliente, la cronologia degli acquisti e i dati del catalogo prodotti a questi modelli e ottenere i consigli sui prodotti come risultati delle query. I risultati della query possono quindi essere utilizzati nell'applicazione per migliorare l'esperienza di acquisto del cliente.

L'integrazione di Aurora ML può migliorare le applicazioni del servizio clienti come l'analisi dei call center e la gestione dei ticket di assistenza clienti. Puoi scrivere query SQL in Aurora, trasmettere dati sulle interazioni con i clienti come moduli di feedback online, ticket di assistenza e recensioni dei prodotti a Comprehend, analizzare questi dati per determinare il sentiment del cliente e ottenere che le opinioni dei clienti vengano restituite come risultati delle query. I risultati delle query possono quindi essere utilizzati nelle applicazioni per migliorare le relazioni con i clienti.

Aurora può contribuire all'individuazione e alla prevenzione delle frodi in applicazioni come l'elaborazione di reclami relativi a carte di credito e assicurazioni. Puoi scrivere query SQL in Aurora che richiamano modelli ML come K-means clustering e Random Cut Forest, trasmettere il profilo del cliente, le transazioni, le informazioni sul commerciante, i dettagli delle policy e i dati relativi ai reclami a questi modelli e ottenere le transazioni che richiedono ulteriori revisioni e analisi come risultati delle query. I risultati delle query possono quindi essere utilizzati nelle applicazioni per l'identificazione e la mitigazione delle frodi.

Le vendite e il servizio clienti possono essere migliorati analizzando le trascrizioni testuali dei dialoghi con i clienti per apprendere i modelli di successo e prevedere le prossime azioni migliori. L'estensione pgvector consente di memorizzare incorporamenti di testo che possono essere utilizzati nelle query di ricerca per similarità per trovare la migliore azione intrapresa per la vendita o per risolvere un caso di supporto in una situazione specifica. Utilizzando il ML di Aurora, puoi chiamare il modello che genera questi incorporamenti per mantenerli aggiornati e consentire di eseguire query più rapide in tempo reale per consigli ottimali sul servizio clienti.

• Non sono previsti costi aggiuntivi per l'integrazione tra Aurora e i servizi di machine learning AWS. Paghi solo per i servizi sottostanti.
• Il prezzo di Comprehend dipende dalla quantità di testo elaborato. Per ridurre al minimo i costi, fai attenzione alla dimensione delle query del database.
• Nota: l'integrazione tra Aurora e Comprehend è attualmente in anteprima.

L'integrazione con il machine learning di Aurora è disponibile per Amazon Aurora con compatibilità con MySQL 5.7, compatibilità con PostgreSQL 10 e compatibilità con PostgreSQL 11. Puoi iniziare in pochi clic effettuando l'upgrade alla versione più recente di Aurora e dando ai tuoi database Aurora accesso ai servizi AWS machine learning nella console di gestione Amazon RDS. Per ulteriori informazioni, consulta la documentazione di Amazon Aurora.