Machine learning Amazon Aurora 

Le machine learning (ML) Amazon Aurora vous permet d’ajouter des prévisions basées sur le ML à des applications via le langage de programmation courant SQL. Il n’est donc pas nécessaire d’apprendre à se servir d’autres outils ni d’avoir une expérience préalable en machine learning. Il permet une intégration simple, optimisée et sécurisée entre les services Aurora et AWS ML, sans la création d’intégrations personnalisées ou le déplacement de données. Lorsque vous exécutez une requête de machine learning, Aurora appelle Amazon SageMaker ou Amazon Bedrock pour obtenir une large palette d’algorithmes ML, y compris l’IA générative ou Amazon Comprehend en vue de l’analyse des sentiments. Ainsi, votre application n’a pas besoin d’appeler directement ces services.  

Le machine learning Aurora est donc adapté aux cas d’utilisation en temps réel à faible latence, comme la détection de fraudes, le ciblage publicitaire, les résumés de texte et les recommandations de produits. Par exemple, vous pouvez créer des systèmes de recommandation de produits en écrivant des requêtes SQL dans Aurora afin de transmettre le profil du client, l’historique de ses achats et les données du catalogue de produits à un modèle SageMaker. Des recommandations de produits sont alors délivrées sous forme de résultats de requêtes. Vous pouvez recevoir les recommandations du modèle en temps réel ou stocker une colonne prédite toujours à jour dans votre base de données en effectuant des appels périodiques au modèle.

Aurora ML est également une méthode pratique et sécurisée pour transmettre les connaissances stockées dans Aurora à un grand modèle de langage (LLM) afin de générer un modèle de réponse dans le cadre de la génération augmentée de récupération (RAG) sans avoir à écrire de code personnalisé. Par exemple, vous pouvez utiliser Aurora ML pour transmettre vos données professionnelles dans le cadre d’une invite à Amazon Bedrock afin d’approfondir les connaissances d’un modèle de base et de fournir des réponses en langage naturel aux utilisateurs utilisant vos données. Cela permet de créer un chatbot capable de répondre à des questions contenant des données spécifiques sur les produits ou les prix.

Aurora présente les modèles de machine learning sous forme de fonctions SQL, ce qui vous permet d’utiliser le langage SQL standard pour créer des applications qui appellent des modèles de machine learning, leur transmettent des données et renvoient des prévisions sous forme de résultats de requête. Il n’y a aucune courbe d’apprentissage, aucune complexité de développement et il n’est pas nécessaire d’apprendre de nouveaux langages ou outils de programmation.

Exécutez des prévisions à l’aide de n’importe quel modèle de machine learning, y compris des modèles entraînés dans SageMaker ou ailleurs, des modèles proposés dans Amazon Bedrock et des modèles proposés par les partenaires AWS sur AWS Marketplace. Vous pouvez également utiliser Amazon Comprehend pour l’analyse des sentiments, et ce, sans aucune formation.

Aurora s’intègre directement à SageMaker, à Amazon Bedrock et à Amazon Comprehend pour une latence réduite. La formation ML et l’inférence ont lieu dans SageMaker, Amazon Bedrock et Amazon Comprehend afin d’éviter tout impact sur les performances d’Aurora. L’intégration entre Aurora et chaque service de machine learning AWS est davantage optimisée en matière de latence et de débit, ce qui permet d’améliorer le débit d’un facteur 100. Comme le modèle de machine learning est déployé à part de la base de données et de l'application, chacun peut augmenter ou monter en puissance indépendamment des autres.

L’intégration entre Aurora, SageMaker, Amazon Bedrock et Amazon Comprehend assure la sécurité et la gouvernance des données dans la base de données. L’accès à Aurora et à chaque service de ML peut être contrôlé via la gestion des identités et des accès AWS (IAM) et au sein de votre base de données Aurora. L'intégration utilise un chiffrement de bout en bout entre les services, et aucune donnée n'est conservée en dehors de la base de données.

Amazon Aurora Édition compatible avec PostgreSQL prend en charge l’extension pgvector pour stocker les intégrations de modèles de machine learning à partir de textes, de vidéos ou d’images et pour effectuer une recherche de similarité sémantique efficace. Aurora ML peut également appeler les modèles SageMaker ou Amazon Bedrock qui génèrent ces intégrations, ce qui vous permet de mettre à jour en continu ces intégrations dans votre base de données.

Vous pouvez utiliser l'intégration Aurora ML pour créer des systèmes de recommandation de produits qui génèrent des recommandations d'achat de produits personnalisées en fonction du profil du client, de l'historique de ses achats et des données issues de son parcours de navigation. Dans Aurora, vous pouvez écrire des requêtes SQL qui font appel à des modèles de machine learning tels que la régression linéaire et XGBoost, transmettent à ces modèles le profil client, son historique d'achats et les données du catalogue de produits, et génèrent ainsi des recommandations de produits sous forme de résultats de requête. Les résultats de requête peuvent ensuite être utilisés dans votre application pour améliorer l'expérience d'achat du client.

L'intégration d'Aurora ML peut améliorer vos applications de service client, telles que l'analyse en centres d'appels et la gestion de tickets de support client. Vous pouvez rédiger des requêtes SQL dans Aurora, transmettre à Comprehend des données d'interaction avec les clients telles que des formulaires de commentaires en ligne, des tickets de support et des évaluations de produits et analyser ces données pour déterminer le sentiment des clients sous forme de résultats de requêtes. Ces résultats de requêtes peuvent ensuite être utilisés dans vos applications pour améliorer vos relations clients.

Aurora peut vous aider à détecter et à prévenir les fraudes dans des applications telles que le traitement des cartes de crédit et des réclamations d'assurance. Dans Aurora, vous pouvez écrire des requêtes SQL qui font appel à des modèles de machine learning tels que le clustering en K-moyennes et random cut forest. Il est aussi possible de transmettre à ces modèles le profil du client, les transactions, les informations sur les commerçants, les détails de la politique et les données relatives aux réclamations et d'obtenir les transactions nécessitant un examen et une analyse plus approfondis sous forme de résultats de requête. Les résultats de la requête peuvent ensuite être utilisés dans vos applications pour identifier et limiter les fraudes.

Les ventes et le service client peuvent être améliorés en analysant les transcriptions textuelles des dialogues avec les clients afin de connaître les modèles de réussite et de prévoir les meilleures actions à entreprendre. L'extension pgvector vous permet de stocker des intégrations à partir de texte qui peuvent être utilisées dans des requêtes de recherche de similarité afin de déterminer la meilleure action à prendre pour vendre ou résoudre un dossier d'assistance dans une situation spécifique. À l'aide d'Aurora ML, vous pouvez appeler le modèle qui génère ces intégrations pour les maintenir à jour afin d'obtenir des requêtes en temps réel plus rapides et des recommandations optimales en matière de service client.

• L’intégration entre Aurora et les services de machine learning AWS a lieu sans frais supplémentaires. Vous ne payez que pour les services Sagemaker, Amazon Bedrock ou Amazon Comprehend sous-jacents.
• Le prix de Amazon Comprehend est basé sur la quantité de texte traitée. Pour minimiser les frais, faites attention à la taille de vos requêtes aux bases de données.

L’intégration d’Aurora ML avec SageMaker et Amazon Comprehend est disponible pour les versions 5.7 et supérieures compatibles avec Amazon Aurora MySQL et les versions 11 et supérieures compatibles avec Aurora PostgreSQL. L’intégration d’Aurora ML à Amazon Bedrock est disponible pour Aurora PostgreSQL versions 14 et ultérieures et Aurora MySQL 3.06 et versions ultérieures. Vous pouvez démarrer en quelques clics en effectuant une mise à niveau vers la dernière version d’Aurora et en donnant à votre base de données Aurora l’accès aux services de machine learning d’AWS dans Amazon RDS Management Console. Vous pouvez consulter la documentation Amazon Aurora pour en savoir plus.