Machine learning de Amazon Aurora

El machine learning (ML) 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 ML de Aurora y AWS sin tener que crear integraciones personalizadas ni mover datos. Al ejecutar una consulta de ML, Aurora llama a Amazon SageMaker o Amazon Bedrock para obtener una amplia variedad de algoritmos de ML, 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, para crear sistemas de recomendación de productos, puede escribir 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.

El ML de Aurora también es un método práctico y seguro para transferir los conocimientos almacenados en Aurora a un modelo de lenguaje grande (LLM) para generar una respuesta del modelo como parte de la generación aumentada por recuperación (RAG) sin tener que escribir código personalizado. Por ejemplo, puede usar el ML de Aurora para transmitir sus datos empresariales como parte de un mensaje a Amazon Bedrock con el fin de aumentar el conocimiento de un modelo básico y ofrecer respuestas en lenguaje natural a los usuarios que utilizan sus datos. Esto posibilita la creación de un chatbot que pueda responder a preguntas que contengan datos específicos sobre productos o precios.

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

Ejecuta predicciones con cualquier modelo de ML, incluidos los modelos que haya entrenado 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 Amazon Comprehend para el análisis de opiniones, sin ningún tipo de entrenamiento.

Aurora se integra directamente con SageMaker, Amazon Bedrock y Amazon Comprehend, lo que reduce el retraso de la red. El entrenamiento y la inferencia del ML se llevan a cabo en SageMaker, Amazon Bedrock y Amazon 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.

La integración entre Aurora, SageMaker, Amazon Bedrock y Amazon 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 ML 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.

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

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.

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.

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.

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.

• No se cobra ningún cargo adicional por la integración entre los servicios de machine learning de Aurora y AWS. Solo paga por los servicios subyacentes de SageMaker, Amazon Bedrock o Amazon Comprehend.
• El precio de Amazon 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.

La integración del ML de Aurora con SageMaker y Amazon Comprehend está disponible para las versiones 5.7 y posteriores compatibles con Amazon Aurora MySQL y las versiones 11 y posteriores compatibles con Aurora PostgreSQL. La integración del ML de Aurora con Amazon Bedrock está disponible para las versiones 14 y posteriores de Aurora PostgreSQL y las versiones 3.06 y posteriores de Aurora MySQL. Para comenzar a usar estas características con unos pocos clics, puede actualizar Aurora a su última versión y dar 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.