Amazon Aurora Machine Learning

Il machine learning (ML) di Amazon Aurora consente di aggiungere alle applicazioni di previsioni basate su ML tramite il noto linguaggio di programmazione SQL. Non sarà dunque necessario imparare ad utilizzare altri strumenti o possedere precedenti esperienze nell'ambito del 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 si esegue una query ML, Aurora chiama Amazon SageMaker o Amazon Bedrock per un'ampia gamma di algoritmi ML tra cui l'IA generativa o Amazon Comprehend per l'analisi del sentiment; quindi, l'applicazione non ha bisogno di effettuare chiamate direttamente a 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, gli annunci pubblicitari mirati, la sintesi dei testi e i consigli sui prodotti. Ad esempio, è possibile creare sistemi di consigli sui prodotti scrivendo query SQL su Aurora che trasmettano il profilo del cliente, la cronologia degli acquisti e i dati del catalogo dei prodotti a un modello SageMaker, ottenendo così consigli sui prodotti restituiti come risultati delle query. È possibile ricevere i consigli in tempo reale dal modello oppure archiviare una colonna prevista sempre aggiornata nel database effettuando chiamate periodiche al modello.

Aurora ML rappresenta anche un modo comodo e sicuro per trasferire le conoscenze archiviate in Aurora a un modello linguistico di grandi dimensioni (LLM) per la generazione di una risposta del modello come parte di Retrieval Augmented Generation (RAG) senza dover scrivere un codice personalizzato. Ad esempio, è possibile utilizzare Aurora ML per trasmettere i dati aziendali come parte di un prompt ad Amazon Bedrock al fine di istruire un modello di fondazione e fornire risposte in linguaggio naturale agli utenti che utilizzano i dati. Questo consente di creare un chatbot in grado di rispondere a domande contenenti dati specifici su prodotti o prezzi.

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

È possibile eseguire previsioni utilizzando qualsiasi modello di ML, inclusi i modelli addestrati su SageMaker o altri servizi, quelli offerti su Amazon Bedrock e quelli offerti dai partner AWS sul Marketplace AWS. Inoltre, è possibile utilizzare Amazon Comprehend per l'analisi del sentiment, senza alcun addestramento.

Aurora si integra direttamente con SageMaker, Amazon Bedrock e Amazon Comprehend, riducendo la latenza di rete. L'addestramento e l'inferenza del ML avvengono su SageMaker, Amazon Bedrock e Amazon Comprehend, quindi non vi è alcun impatto sulle prestazioni di Aurora. L'integrazione tra Aurora e qualsiasi servizio di machine learning di AWS è ulteriormente ottimizzata per latenza e throughput, migliorando il throughput 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, Amazon Bedrock e Amazon Comprehend garantisce il mantenimento di sicurezza e governance dei dati 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 database Aurora. L'integrazione utilizza la crittografia end-to-end tra i servizi e nessun dato viene conservato all'esterno del database.

L'edizione di Amazon Aurora compatibile con PostgreSQL supporta l'estensione pgvector per archiviare integrazioni di modelli di machine learning da testi, video o immagini ed eseguire un'efficiente ricerca di somiglianza semantica. Inoltre, il ML di Aurora può chiamare i modelli SageMaker o Amazon Bedrock che generano tali integrazioni, consentendone un continuo aggiornamento nel 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. Soltanto i servizi sottostanti di Sagemaker, Amazon Bedrock o Amazon Comprehend sono a pagamento.
• Il prezzo di Amazon Comprehend dipende dalla quantità di testo elaborato. Per ridurre al minimo i costi, è necessario prestare attenzione alla dimensione delle query del proprio database.

L'integrazione di Aurora ML con SageMaker e Amazon Comprehend è disponibile per le versioni a partire dalla 5.7 e successive compatibili con Amazon Aurora MySQL, nonché per le versioni a partire dalla 11 e successive compatibili con Aurora PostgreSQL. L'integrazione di Aurora ML con Amazon Bedrock è disponibile per la versione 14 e successive di Aurora PostgreSQL e per la versione 3.06 e successive di Aurora MySQL. È possibile iniziare in pochi clic effettuando l'aggiornamento alla versione più recente di Aurora e dando ai database Aurora accesso ai servizi di machine learning AWS nella console di gestione di Amazon RDS. Per ulteriori informazioni, consulta la documentazione di Amazon Aurora.