「Amazon Aurora 機器學習」

Amazon Aurora 機器學習 (ML) 可讓您透過熟悉的 SQL 程式語言將以 ML 為基礎的預測新增至應用程式，因此您不需要學習單獨的工具或具備先前的機器學習經驗。它在 Aurora 和 AWS ML 服務之間提供簡單、最佳化且安全的整合，無需建立自訂整合或移動資料。執行 ML 查詢時，Aurora 會呼叫 Amazon SageMaker 或 Amazon Bedrock 執行各種 ML 演算法，包括生成式 AI 或 Amazon Comprehend 進行情緒分析，因此應用程式不需要直接呼叫這些服務。 

這點讓 Aurora 機器學習適用於低延遲的即時使用案例，例如詐騙偵測、廣告定位、文字摘要和產品推薦。例如，您可以建置產品推薦系統，方法是在 Aurora 中編寫 SQL 查詢，將客戶設定檔、購物歷程記錄和產品目錄資料傳遞給 SageMaker 模型，並將產品推薦作為查詢結果傳回。 您可從模型中即時接收建議，或者對模型進行定期呼叫，以將永遠保持最新的預測資料欄存放在資料庫中。

Aurora ML 也是一種便捷且安全的方法，可將存放在 Aurora 中的知識傳遞給大型語言模型 (LLM)，以做為擷取增強生成 (RAG) 的一部分產生模型回應，而無需編寫自訂程式碼。例如，您可使用 Aurora ML 傳遞業務資料，做為傳送給 Amazon Bedrock 的部分提示，以增強基礎模型的知識，並為使用您資料的使用者提供自然語言答案。這可建立能夠回答特定產品或定價資料相關問題的聊天機器人。

Aurora 將 ML 模型公開為 SQL 函數，讓您可以使用標準 SQL 建置呼叫 ML 模型、將資料傳遞給這些 ML 模型，並將預測或文字做為查詢結果傳回的應用程式。沒有學習曲線、開發複雜度，也不需要學習新的程式語言或工具。

使用任何 ML 模型執行預測，包括您在 SageMaker 或其他地方訓練的模型、Amazon Bedrock 中提供的模型，以及 AWS 合作夥伴在 AWS Marketplace 上提供的模型。您也可以使用 Amazon Comprehend 進行情緒分析，而不需要任何訓練。

Aurora 直接與 SageMaker、Amazon Bedrock 和 Amazon Comprehend 整合，可減少網路延遲。機器學習訓練和推論是在 SageMaker、Amazon Bedrock 和 Amazon Comprehend 中進行，因此對 Aurora 沒有任何效能影響。 Aurora 和每個 AWS 機器學習服務之間的整合進一步針對延遲和輸送量進行了最佳化，最高可提高 100 倍的輸送量。由於機器學習模型是與資料庫和應用程式分開部署的，因此每個模型都能獨立縱向擴展或橫向擴展。

Aurora、SageMaker、Amazon Bedrock 和 Amazon Comprehend 之間的整合可確保在資料庫內部維護資料安全性和管控。透過 AWS Identity and Access Management (IAM) 和在 Aurora 資料庫內，可以控制對 Aurora 和每個 ML 服務的存取。 這種整合在服務之間使用端對端加密，而且不會在資料庫之外保留任何資料。

Amazon Aurora PostgreSQL 相容版支援 pgvector 延伸，可存放文字、影片或影像中的機器學習模型內嵌項目，並執行有效的語義相似性搜尋。Aurora ML 還可呼叫產生這些內嵌項目的 SageMaker 或 Amazon Bedrock 模型，讓您持續更新資料庫中的這些內嵌項目。

您可以使用 Aurora ML 整合來建置產品推薦系統，根據客戶設定檔、購物歷程記錄和點擊流資料，提出個人化的產品購買建議。您可以在 Aurora 中編寫 SQL 查詢，以呼叫線性學習器和 XGBoost 之類的 ML 模型，將客戶設定檔、購物歷程記錄和產品目錄資料傳遞至這些模型，並做為查詢結果取得產品建議。然後，可在應用程式中使用這項查詢結果，以改善客戶的購物體驗。

Aurora ML 整合可增強客戶服務應用程式，例如客服中心分析和客戶支援票據處理。您可以在 Aurora 中編寫 SQL 查詢，將線上意見回饋表單、支援票據和產品評論等客戶互動資料傳遞至 Comprehend，分析此資料以判斷客戶的情緒，並取得做為查詢結果傳回的客戶情緒。然後，可在應用程式中使用這項查詢結果，以改善客戶關係。

Aurora 可以在信用卡和保險索賠處理等應用程式中協助偵測和預防詐騙。您可以在 Aurora 中撰寫 SQL 查詢，以呼叫 K-means 叢集和隨機切割森林之類的 ML 模型，將客戶設定檔、交易、商家資訊、政策詳細資料和索貼資料傳遞至這些模型，並取得需要進一步檢閱和分析的交易做為查詢結果。然後，可在應用程式中使用這項查詢結果，以進行詐騙辨識和減輕風險。

銷售和客戶服務可分析客戶對話的文字記錄，來了解成功的模式並預測下一個最佳操作，從而增強銷售和客戶服務體驗。pgvector 延伸允許您存放可用於相似性搜尋查詢文字中的內嵌項目，以尋找銷售或在特定情況下解決支持案例時採取的最佳操作。使用 Aurora ML，您可以呼叫產生這些內嵌項目的模型，使其保持最新狀態，以便更快速地進行即時查詢，進而獲得最佳的客戶服務建議。

• Aurora 和 AWS 機器學習服務之間的整合無須額外付費。 您只需為基礎的 Sagemaker、Amazon Bedrock 或 Amazon Comprehend 服務付費。
• Amazon Comprehend 是根據處理的文字量來定價。若要將費用降至最低，請注意資料庫查詢的大小。

Aurora ML 與 SageMaker 和 Amazon Comprehend 的整合適用於 Amazon Aurora MySQL 相容版本 5.7 及更高版本，以及 Aurora PostgreSQL 相容版本 11 及更高版本。Aurora ML 與 Amazon Bedrock 的整合適用於 Aurora PostgreSQL 14 版及更高版本，以及 Aurora MySQL 3.06 版及更高版本。 升級至最新版 Aurora，並在 Amazon RDS 管理主控台授予 Aurora 資料庫對 AWS 機器學習服務的存取權，只需按幾下即可開始使用。您可以參閱 Amazon Aurora 文件進一步了解相關資訊。