Machine Learning no Amazon Aurora

O machine learning (ML) no Amazon Aurora permite adicionar previsões baseadas em ML às aplicações por meio da conhecida linguagem de programação SQL, para que você não precise aprender ferramentas separadas ou ter experiência prévia em machine learning. Ele fornece uma integração simples, otimizada e segura entre os serviços de ML do Aurora e da AWS, sem precisar criar integrações personalizadas ou migrar dados. Quando você executa uma consulta de ML, o Aurora realiza uma chamada para o Amazon SageMaker ou para o Amazon Bedrock destinada a uma grande variedade de algoritmos de ML, inclusive IA generativa, ou o Amazon Comprehend, para análise de sentimentos, de forma que a sua aplicação não precise chamar esses serviços diretamente.  

Isso torna o machine learning do Aurora adequado para casos de uso em tempo real e de baixa latência, como detecção de fraudes, segmentação de anúncios, sumarização de textos e recomendações de produtos. Por exemplo, você pode criar sistemas de recomendação de produtos gravando consultas SQL no Aurora que transmitem dados de perfis de clientes, histórico de compras e catálogo de produtos para um modelo do SageMaker e recebem recomendações de produtos retornadas como resultados de consultas. É possível receber as recomendações do modelo em tempo real ou armazenar uma coluna prevista sempre atualizada em seu banco de dados fazendo chamadas periódicas para o modelo.

O Aurora ML também é um método conveniente e seguro para passar o conhecimento armazenado no Aurora para um grande modelo de linguagem (LLM) para gerar uma resposta de modelo como parte da Geração Aumentada de Recuperação (RAG) sem precisar escrever código personalizado. Por exemplo, você pode usar o Aurora ML para passar seus dados comerciais como parte de uma solicitação ao Amazon Bedrock para aumentar o conhecimento de um modelo básico e fornecer respostas em linguagem natural aos usuários que utilizam seus dados. Isso possibilita a criação de um chatbot capaz de responder perguntas contendo dados específicos de produtos ou preços.

O Aurora expõe modelos de ML como funções SQL, permitindo que você use o SQL padrão para criar aplicações que chamam modelos de ML, transmitem dados para eles e retornam previsões ou texto como resultados de consultas. Não há curva de aprendizado, complexidade de desenvolvimento ou necessidade de aprender novas linguagens de programação ou ferramentas.

Faça previsões usando qualquer modelo de ML, incluindo modelos que você treinou no SageMaker ou em outro lugar, modelos oferecidos pelo Amazon Bedrock e modelos oferecidos por parceiros da AWS no AWS Marketplace. Você também pode usar o Amazon Comprehend para análise de sentimentos, sem nenhum treinamento.

O Aurora se integra diretamente ao SageMaker, ao Amazon Bedrock e ao Amazon Comprehend, reduzindo o atraso na rede. O treinamento e a inferência de ML acontecem no SageMaker, no Amazon Bedrock e no Amazon Comprehend e, portanto, não há impacto na performance do Aurora. A integração entre o Aurora e cada serviço de machine learning da AWS é ainda mais otimizada para latência e taxa de transferência, oferecendo melhorias de até 100 vezes na throughput. Como o modelo de machine learning é implantado separadamente do banco de dados e da aplicação, cada um pode aumentar ou diminuir a escala, independentemente dos outros.

A integração entre o Aurora, o SageMaker, o Amazon Bedrock e o Amazon Comprehend garante que a segurança e a governança dos dados sejam mantidas dentro do banco de dados. O acesso ao Aurora e a cada serviço de ML pode ser controlado por meio do AWS Identity and Access Management (IAM) e no seu banco de dados Aurora. A integração usa criptografia de ponta a ponta entre os serviços, e nenhum dado persiste fora do banco de dados.

O Amazon Aurora edição compatível com PostgreSQL é compatível com a extensão pgvector para armazenar incorporações de modelos de machine learning com base em texto, vídeo ou imagens e para realizar uma pesquisa eficiente de similaridade semântica. O Aurora ML também pode chamar os modelos do SageMaker ou do Amazon Bedrock que geram essas incorporações, permitindo que essas incorporações sejam atualizadas continuamente em seu banco de dados.

Você pode usar a integração com o Aurora ML para criar sistemas de recomendação de produtos que fazem recomendações personalizadas de compra de produtos com base no perfil do cliente, no histórico de compras e nos dados de clickstream. Você pode escrever consultas SQL no Aurora que chamam modelos de ML, como linear learner e XGBoost, transmitem dados de perfis de clientes, do histórico de compras e do catálogo de produtos para esses modelos e obtêm as recomendações de produtos como resultados de consultas. Os resultados das consultas podem então ser usados em sua aplicação para melhorar a experiência de compra do cliente.

A integração com o Aurora ML pode aprimorar suas aplicações de atendimento ao cliente, como análise de centrais de atendimento e gerenciamento de tíquetes de suporte ao cliente. Você pode escrever consultas SQL no Aurora, transmitir dados de interação com o cliente, como formulários de feedback online, tíquetes de suporte e avaliações de produtos, para o Comprehend, analisar esses dados para determinar o sentimento do cliente e obter os sentimentos dos clientes retornados como resultados de consultas. Os resultados de consultas podem então ser usados em suas aplicações para melhorar o relacionamento com os clientes.

O Aurora pode ajudar na detecção e prevenção de fraudes em aplicações como processamento de pedidos de cartão de crédito e seguros. Você pode escrever consultas SQL no Aurora que chamam modelos de ML, como clustering K-means e random cut forest, transmitem perfis de clientes, transações, informações de comerciantes, detalhes de políticas e dados de reivindicações para esses modelos e obtêm as transações que exigem revisões e análises adicionais como resultados de consultas. Os resultados das consultas podem então ser usados em suas aplicações para identificar e mitigar fraudes.

As vendas e o atendimento ao cliente podem ser aprimorados analisando as transcrições de texto do diálogo com o cliente para aprender os padrões de sucesso e prever as próximas ações recomendadas. A extensão pgvector permite armazenar incorporações de texto que podem ser usadas em consultas de pesquisa por similaridade para encontrar a melhor ação para vender ou resolver um caso de suporte em uma situação específica. Usando o Aurora ML, é possível chamar o modelo que gera essas incorporações para mantê-las atualizadas e agilizar as consultas em tempo real e obter as recomendações ideais de atendimento ao cliente.

• Não há cobrança adicional pela integração entre os serviços de machine learning do Aurora e da AWS. Você paga somente pelos serviços subjacentes do Sagemaker, Amazon Bedrock ou Amazon Comprehend.
• O preço do Amazon Comprehend é baseado na quantidade de texto processado. Para minimizar as cobranças, preste atenção no tamanho das suas consultas ao banco de dados.

A integração do Aurora ML com o SageMaker e o Amazon Comprehend está disponível para as versões 5.7 ou superiores compatíveis com o MySQL do Amazon Aurora e versões 11 e superiores compatíveis com o Aurora PostgreSQL. A integração do Aurora ML com o Amazon Bedrock está disponível para o Aurora PostgreSQL versão 14 e superior e para o Aurora MySQL 3.06 e superior. Você pode começar com apenas alguns cliques, atualizando para a versão mais recente do Aurora e dando ao seu banco de dados do Aurora acesso aos serviços de machine learning da AWS no Console de Gerenciamento do Amazon RDS. Para saber mais, você pode ler a documentação do Amazon Aurora.