Machine learning Amazon Aurora

Machine learning (ML) Amazon Aurora membantu Anda untuk dapat menambahkan prediksi berbasis ML ke aplikasi melalui bahasa pemrograman SQL yang sudah dikenal sehingga Anda tidak perlu mempelajari alat terpisah atau memiliki pengalaman machine learning sebelumnya. Machine learning Amazon Aurora menyediakan integrasi yang sederhana, dioptimalkan, dan aman di antara layanan ML Aurora dan AWS tanpa harus membangun integrasi khusus atau memindahkan data. Saat Anda menjalankan kueri ML, Aurora memanggil Amazon SageMaker atau Amazon Bedrock untuk berbagai macam algoritma ML, termasuk AI generatif atau Amazon Comprehend, untuk analisis sentimen sehingga aplikasi tidak perlu memanggil layanan ini secara langsung.  

Hal ini membuat machine learning Aurora cocok untuk kasus penggunaan waktu nyata dengan latensi rendah, seperti deteksi penipuan, penargetan iklan, ringkasan teks, dan rekomendasi produk. Misalnya, Anda dapat membuat sistem rekomendasi produk dengan menulis kueri SQL di Aurora yang meneruskan profil pelanggan, riwayat belanja, dan data katalog produk ke model SageMaker, lalu Anda bisa mendapatkan rekomendasi produk yang dikembalikan sebagai hasil kueri. Anda dapat menerima rekomendasi secara waktu nyata dari model atau dapat menyimpan kolom prediksi terbaru di basis data dengan melakukan panggilan berkala ke model.

Aurora ML juga merupakan metode yang nyaman dan aman untuk meneruskan pengetahuan yang disimpan di Aurora ke model bahasa besar (LLM) untuk menghasilkan respons model sebagai bagian dari Retrieval Augmented Generation (RAG) tanpa harus menulis kode khusus. Misalnya, Anda dapat menggunakan Aurora ML untuk meneruskan data bisnis Anda sebagai bagian dari permintaan ke Amazon Bedrock untuk menambah pengetahuan tentang model dasar dan memberikan jawaban bahasa alami kepada pengguna yang menggunakan data Anda. Ini memungkinkan membangun chatbot yang dapat menjawab pertanyaan yang berisi data produk atau harga tertentu.

Aurora mengekspos model ML sebagai fungsi SQL sehingga memungkinkan Anda menggunakan SQL standar untuk membangun aplikasi yang memanggil model ML, meneruskan data ke model tersebut, dan mengembalikan prediksi sebagai hasil kueri atau teks. Tidak ada kurva belajar, kompleksitas pengembangan, atau kebutuhan untuk mempelajari bahasa pemrograman atau alat baru.

Jalankan prediksi menggunakan model ML apa pun, termasuk model yang Anda latih di SageMaker atau di tempat lain, model yang ditawarkan di Amazon Bedrock, dan model yang ditawarkan oleh partner AWS di AWS Marketplace. Anda juga dapat menggunakan Amazon Comprehend untuk analisis sentimen, tanpa pelatihan apa pun.

Aurora terintegrasi langsung dengan SageMaker, Amazon Bedrock, dan Amazon Comprehend sehingga mengurangi keterlambatan jaringan. Pelatihan dan inferensi ML terjadi di SageMaker, Amazon Bedrock, dan Amazon Comprehend sehingga tidak ada dampak performa pada Aurora. Integrasi antara Aurora dan setiap layanan machine learning AWS dioptimalkan lebih lanjut untuk latensi dan throughput yang memberikan peningkatan throughput hingga 100X. Karena model machine learning di-deploy secara terpisah dari basis data dan aplikasi, masing-masing dapat menaikkan skala atau menskalakan ke luar secara independen dari yang lain.

Integrasi antara Aurora, SageMaker, Amazon Bedrock, dan Amazon Comprehend memastikan bahwa keamanan dan tata kelola data dipertahankan di dalam basis data. Akses ke Aurora dan setiap layanan ML dapat dikontrol melalui AWS Identity and Access Management (IAM) dan dalam basis data Aurora Anda. Integrasi menggunakan enkripsi ujung-ke-ujung antarlayanan dan tidak ada data yang bertahan di luar basis data.

Amazon Aurora Edisi Kompatibel PostgreSQL mendukung ekstensi pgvector untuk menyimpan penyematan model machine learning dari teks, video, atau gambar dan untuk melakukan pencarian kesamaan semantik yang efisien. Aurora ML juga dapat memanggil model SageMaker atau Amazon Bedrock yang menghasilkan penyematan ini yang memungkinkan Anda terus memperbarui penyematan dalam basis data.

Anda dapat menggunakan integrasi ML Aurora untuk membangun sistem rekomendasi produk yang membuat rekomendasi pembelian produk yang dipersonalisasi berdasarkan profil pelanggan, riwayat belanja, dan data clickstream. Anda dapat menulis kueri SQL di Aurora yang memanggil model ML, seperti pelajar linier dan XGBoost, meneruskan profil pelanggan, riwayat belanja, dan data katalog produk ke model ini, dan mendapatkan rekomendasi produk sebagai hasil kueri. Hasil kueri kemudian dapat digunakan dalam aplikasi Anda untuk meningkatkan pengalaman berbelanja pelanggan.

Integrasi ML Aurora dapat meningkatkan aplikasi layanan pelanggan Anda, seperti analisis call center dan penanganan tiket dukungan pelanggan. Anda dapat menulis kueri SQL di Aurora, meneruskan data interaksi pelanggan, seperti formulir umpan balik online, tiket dukungan, dan ulasan produk untuk Comprehend, menganalisis data ini untuk menentukan sentimen pelanggan, dan mengembalikan sentimen pelanggan sebagai hasil kueri. Hasil kueri kemudian dapat digunakan dalam aplikasi Anda untuk meningkatkan hubungan pelanggan Anda.

Aurora dapat membantu deteksi dan pencegahan penipuan dalam aplikasi, seperti kartu kredit dan pemrosesan klaim asuransi. Anda dapat menulis kueri SQL di Aurora yang memanggil model ML, seperti pengklasteran K-means dan random cut forest, meneruskan profil pelanggan, transaksi, informasi pedagang, detail kebijakan, dan data klaim ke model ini, serta mengembalikan transaksi yang memerlukan peninjauan dan analisis lebih lanjut sebagai hasil kueri. Hasil kueri kemudian dapat digunakan dalam aplikasi Anda untuk identifikasi dan mitigasi penipuan.

Penjualan dan layanan pelanggan dapat ditingkatkan dengan menganalisis transkrip teks dialog pelanggan untuk mempelajari pola keberhasilan dan memprediksi tindakan terbaik berikutnya. Ekstensi pgvector memungkinkan Anda menyimpan penyematan dari teks yang dapat digunakan dalam kueri pencarian kesamaan guna menemukan tindakan terbaik yang diambil untuk penjualan atau ketika menyelesaikan kasus dukungan dalam situasi tertentu. Dengan ML Aurora, Anda dapat memanggil model yang menghasilkan penyematan ini agar tetap terbaru untuk pembuatan kueri waktu nyata yang lebih cepat guna mendapatkan rekomendasi layanan pelanggan yang optimal.

• Tidak ada biaya tambahan untuk integrasi antara layanan machine learning Aurora dan AWS. Anda hanya membayar untuk layanan Sagemaker, Amazon Bedrock, atau Amazon Comprehend yang mendasarinya.
• Harga Amazon Comprehend didasarkan pada jumlah teks yang diproses. Untuk meminimalkan biaya, perhatikan ukuran kueri basis data Anda.

Integrasi Aurora ML dengan SageMaker dan Amazon Comprehend tersedia untuk Kompatibel dengan Amazon Aurora MySQL versi 5.7 dan lebih tinggi serta Kompatibel dengan Aurora PostgreSQL versi 11 dan lebih tinggi. Integrasi Aurora ML dengan Amazon Bedrock tersedia untuk Aurora PostgreSQL versi 14 dan lebih tinggi dan Aurora MySQL 3.06 dan lebih tinggi. Anda dapat memulai hanya dengan beberapa klik dengan meningkatkan ke versi terbaru Aurora dan memberikan akses basis data Aurora Anda ke layanan machine learning AWS di Konsol Manajemen Amazon RDS. Anda dapat membaca dokumentasi Amazon Aurora untuk mempelajari selengkapnya.