Amazon Aurora Machine Learning

Amazon Aurora Machine Learning (ML) ermöglicht es Ihnen, über die vertraute SQL-Programmiersprache ML-basierte Vorhersagen zu Anwendungen hinzuzufügen, sodass Sie keine separaten Tools erlernen oder über vorherige Erfahrungen mit Machine Learning verfügen müssen. Es bietet eine einfache, optimierte und sichere Integration zwischen Aurora und AWS-ML-Services, ohne dass benutzerdefinierte Integrationen erstellt oder Daten verschoben werden müssen. Wenn Sie eine ML-Abfrage ausführen, startet Aurora Amazon SageMaker oder Amazon Bedrock für eine Vielzahl von ML-Algorithmen, einschließlich generativer KI oder Amazon Comprehend für Stimmungsanalysen, sodass Ihre Anwendung diese Services nicht direkt aufrufen muss.  

Dadurch eignet sich das Machine Learning von Aurora für Echtzeit-Anwendungsfälle mit geringer Latenz wie Betrugserkennung, Anzeigenausrichtung, Textzusammenfassung und Produktempfehlungen. Sie können beispielsweise Produktempfehlungssysteme erstellen, indem Sie in Aurora SQL-Abfragen schreiben, die Kundenprofil-, Einkaufsverlauf- und Produktkatalogdaten an ein SageMaker-Modell weitergeben und Produktempfehlungen als Abfrageergebnisse zurückgeben. Sie können die Empfehlungen in Echtzeit vom Modell erhalten oder Sie können eine stets aktuelle Vorhersagespalte in Ihrer Datenbank speichern, indem Sie das Modell regelmäßig aufrufen.

Aurora ML ist auch eine bequeme und sichere Methode, um in Aurora gespeichertes Wissen an ein großes Sprachmodell (LLM) weiterzugeben, um im Rahmen von Retrieval Augmented Generation (RAG) eine Modellantwort zu generieren, ohne benutzerdefinierten Code schreiben zu müssen. Beispielsweise können Sie Aurora ML verwenden, um Ihre Geschäftsdaten als Teil einer Aufforderung an Amazon Bedrock weiterzuleiten, um das Wissen über ein Basismodell zu erweitern und Benutzern, die Ihre Daten verwenden, Antworten in natürlicher Sprache zu geben. Dies ermöglicht den Aufbau eines Chatbots, der Fragen mit bestimmten Produkt- oder Preisdaten beantworten kann.

Aurora stellt ML-Modelle als SQL-Funktionen bereit, sodass Sie Standard-SQL verwenden können, um Anwendungen zu erstellen, die ML-Modelle aufrufen, Daten an sie weitergeben und Vorhersagen oder Text als Abfrageergebnisse zurückgeben. Es gibt keine Lernkurve, keine Komplexität der Entwicklung oder die Notwendigkeit, neue Programmiersprachen oder Tools zu erlernen.

Führen Sie Prognosen mit einem beliebigen ML-Modell durch, einschließlich Modellen, die Sie in SageMaker oder anderswo trainiert haben, Modellen, die von Amazon Bedrock angeboten werden, und Modellen, die von AWS-Partnern auf dem AWS Marketplace angeboten werden. Sie können Amazon Comprehend auch ohne Training für die Stimmungsanalyse verwenden.

Aurora lässt sich direkt in SageMaker, Amazon Bedrock und Amazon Comprehend integrieren und reduziert so die Netzwerkverzögerung. ML-Training und Inferenzen finden in SageMaker, Amazon Bedrock und Amazon Comprehend statt, sodass es keine Auswirkungen auf die Leistung von Aurora gibt. Die Integration zwischen Aurora und jedem AWS-Service für Machine Learning wurde im Hinblick auf Latenz und Durchsatz weiter optimiert und sorgt für bis zu 100-fache Durchsatzverbesserungen. Da das Modell für Machine Learning getrennt von der Datenbank und der Anwendung bereitgestellt wird, kann jedes Modell unabhängig von den anderen hoch- oder aufskaliert werden.

Durch die Integration zwischen Aurora, SageMaker, Amazon Bedrock und Amazon Comprehend wird sichergestellt, dass Datensicherheit und Governance innerhalb der Datenbank gewährleistet bleiben. Der Zugriff auf Aurora und jeden ML-Service kann über AWS Identity and Access Management (IAM) und in Ihrer Aurora-Datenbank gesteuert werden. Die Integration verwendet eine Ende-zu-Ende-Verschlüsselung zwischen den Diensten und es werden keine Daten außerhalb der Datenbank gespeichert.

Amazon-Aurora-PostgreSQL-kompatible Version unterstützt die pgvector-Erweiterung, um Einbettungen von Modellen des Machine Learning aus Text, Video oder Bildern zu speichern und um eine effiziente semantische Ähnlichkeitssuche durchzuführen. Aurora ML kann auch die SageMaker- oder Amazon-Bedrock-Modelle aufrufen, die diese Einbettungen generieren, sodass Sie diese Einbettungen in Ihrer Datenbank kontinuierlich aktualisieren können.

Mit der Aurora-ML-Integration können Sie Produktempfehlungssysteme erstellen, die personalisierte Produktkaufempfehlungen auf der Grundlage des Kundenprofils, der Einkaufshistorie und Clickstream-Daten aussprechen. Sie können in Aurora SQL-Abfragen schreiben, die ML-Modelle wie Linear Learner und XGBoost aufrufen, Kundenprofil-, Einkaufshistorie und Produktkatalogdaten an diese Modelle weitergeben und die Produktempfehlungen als Abfrageergebnisse abrufen. Die Abfrageergebnisse können dann in Ihrer Anwendung verwendet werden, um das Einkaufserlebnis des Kunden zu verbessern.

Die Aurora-ML-Integration kann Ihre Kundenserviceanwendungen wie Callcenter-Analysen und die Bearbeitung von Kundensupport-Tickets verbessern. Sie können SQL-Abfragen in Aurora schreiben, Kundeninteraktionsdaten wie Online-Feedback-Formulare, Supporttickets und Produktrezensionen an Comprehend weitergeben, diese Daten analysieren, um die Stimmung des Kunden zu ermitteln, und die Kundenmeinungen als Abfrageergebnisse zurückgeben lassen. Die Abfrageergebnisse können dann in Ihren Anwendungen verwendet werden, um Ihre Kundenbeziehungen zu verbessern.

Aurora kann bei der Betrugserkennung und -prävention in Anwendungen wie der Bearbeitung von Kreditkarten- und Versicherungsansprüchen helfen. Sie können in Aurora-SQL-Abfragen schreiben, die ML-Modelle wie K-Means-Clustering und Random Cut Forest aufrufen, Kundenprofile, Transaktionen, Händlerinformationen, Policendetails und Schadensdaten an diese Modelle weitergeben und die Transaktionen, die einer weiteren Überprüfung und Analyse bedürfen, als Abfrageergebnisse abrufen. Die Abfrageergebnisse können dann in Ihren Anwendungen zur Betrugserkennung und -bekämpfung verwendet werden.

Vertrieb und Kundenservice können durch die Analyse von Texttranskripten von Kundendialogen verbessert werden, um Erfolgsmuster zu erkennen und die besten nächsten Aktionen vorherzusagen. Die pgvector-Erweiterung ermöglicht es Ihnen, Einbettungen von Text zu speichern, die in Ähnlichkeitssuchanfragen verwendet werden können, um die beste Aktion für den Verkauf oder bei der Lösung eines Supportfalls in einer bestimmten Situation zu finden. Mit Aurora ML können Sie das Modell, das diese Einbettungen generiert, aufrufen, um sie für eine schnellere Echtzeitabfrage für optimale Kundendienstempfehlungen aktuell zu halten.

• Für die Integration zwischen Aurora und den AWS-Services für Machine Learning fallen keine zusätzlichen Gebühren an. Sie zahlen nur für die zugrunde liegenden Sagemaker-, Amazon-Bedrock- oder Amazon-Comprehend-Services.
• Der Preis von Amazon Comprehend basiert auf der Menge des verarbeiteten Textes. Um die Kosten zu minimieren, achten Sie auf die Größe Ihrer Datenbankabfragen.

Die Aurora ML-Integration mit SageMaker und Amazon Comprehend ist für Amazon-Aurora-MySQL-kompatible Versionen 5.7 und höher und Aurora-PostgreSQL-kompatible Versionen 11 und höher verfügbar. Die Aurora-ML-Integration mit Amazon Bedrock ist für Aurora PostgreSQL Version 14 und höher und Aurora MySQL 3.06 und höher verfügbar. Sie können mit nur wenigen Klicks beginnen, indem Sie auf die neueste Version von Aurora aktualisieren und Ihrer Aurora-Datenbank in der Amazon-RDS-Managementkonsole Zugriff auf die AWS-Machine-Learning-Services gewähren. Weitere Informationen finden Sie in der Amazon-Aurora-Dokumentation.