Amazon Aurora 기계 학습

Amazon Aurora 기계 학습(ML)을 사용하면 익숙한 SQL 프로그래밍 언어를 통해 애플리케이션에 ML 기반 예측 기능을 추가할 수 있습니다. 때문에 별도의 도구를 학습할 필요가 없으며 기계 학습 관련 경험이 없어도 됩니다. 사용자 지정 통합을 구축하거나 데이터를 이동하지 않고도 Aurora와 AWS ML 서비스를 간단하고 안전하며 최적화된 방식으로 통합할 수 있습니다. ML 쿼리를 실행하면 Aurora가 다양한 ML 알고리즘(예: 생성형 AI)을 실행하기 위해 Amazon SageMaker 또는 Amazon Bedrock을 직접 호출하거나 감정 분석을 위해 Amazon Comprehend를 직접 호출하므로, 애플리케이션에서 이러한 서비스를 직접 호출할 필요가 없습니다.  

따라서 Aurora 기계 학습은 사기 탐지, 광고 타겟팅, 텍스트 요약, 제품 추천 등, 지연 시간이 짧은 실시간 사용 사례에 적합합니다. 예를 들어 고객 프로필, 쇼핑 기록 및 제품 카탈로그 데이터를 SageMaker 모델에 전달하고 쿼리 결과로 반환되는 제품 추천을 받는 SQL 쿼리를 Aurora에서 작성하여 제품 추천 시스템을 구축할 수 있습니다. 모델로부터 실시간으로 권장 사항을 받거나 모델을 주기적으로 직접 호출하여 데이터베이스에 항상 최신 상태의 예측 열을 저장할 수 있습니다.

또한 Aurora ML은 Aurora에 저장된 지식을 대규모 언어 모델(LLM)에 전달하므로 사용자 지정 코드를 작성하지 않고도 검색 증강 생성(RAG)의 일부로 모델 응답을 생성할 수 있는 편리하고 안전한 방법입니다. 예를 들어 Aurora ML을 사용하면 Amazon Bedrock에 비즈니스 데이터를 전달하여 파운데이션 모델의 지식을 강화하고 데이터를 활용하는 사용자에게 자연어 답변을 제공할 수 있습니다. 이렇게 하면 특정 제품 또는 가격 데이터가 포함된 질문에 답변하는 챗봇을 구축할 수 있습니다.

Aurora는 ML 모델을 SQL 함수로 노출합니다. 때문에 표준 SQL을 사용하여 ML 모델을 직접 호출하고 데이터를 전달하며 예측 또는 텍스트를 쿼리 결과로 반환하는 애플리케이션을 구축할 수 있습니다. 금방 익힐 수 있고 개발도 복잡하지 않으며 새로운 프로그래밍 언어나 도구를 배울 필요가 없습니다.

SageMaker 또는 다른 경로를 통해 훈련한 모델, Amazon Bedrock에서 제공하는 모델, AWS Marketplace에서 AWS 파트너가 제공하는 모델 등, 모든 ML 모델을 사용하여 예측을 실행할 수 있습니다. 별도의 훈련 없이 Amazon Comprehend를 사용하여 감정 분석을 수행할 수도 있습니다.

Aurora는 SageMaker, Amazon Bedrock 및 Amazon Comprehend와 직접 통합되어 네트워크 지연 시간을 줄입니다. ML 훈련 및 추론은 SageMaker, Amazon Bedrock 및 Amazon Comprehend에서 수행되므로 Aurora의 성능에 미치는 영향은 없습니다. Aurora와 각 AWS 기계 학습 서비스 간의 통합은 지연 시간과 처리량을 더욱 최적화합니다. 이에 따라 최대 100배 향상된 처리량을 제공합니다. 기계 학습 모델은 데이터베이스 및 애플리케이션과 별도로 배포되므로 각각 독립적으로 스케일 업하거나 스케일 아웃할 수 있습니다.

Aurora, SageMaker, Amazon Bedrock 및 Amazon Comprehend 간의 통합은 데이터베이스 내에서 데이터 보안 및 거버넌스를 유지할 수 있게 해줍니다. Aurora 및 각 ML 서비스에 대한 액세스는 AWS Identity and Access Management(IAM)를 통해 그리고 Aurora 데이터베이스 내에서 제어할 수 있습니다. 통합에는 서비스 간의 엔드 투 엔드 암호화가 사용되며 데이터는 데이터베이스 외부에 보관되지 않습니다.

Amazon Aurora PostgreSQL 호환 버전은 pgvector 확장 프로그램을 지원합니다. 이 확장 프로그램을 사용하여 텍스트, 비디오 또는 이미지의 기계 학습 모델 임베딩을 저장하고 효율적인 의미 체계 유사성 검색을 수행할 수 있습니다. 또한 Aurora ML에서 이러한 임베딩을 생성하는 SageMaker 또는 Amazon Bedrock 모델을 직접 호출하여 데이터베이스의 임베딩을 지속적으로 업데이트할 수 있습니다.

Aurora ML 통합을 사용하여 고객 프로필, 쇼핑 기록 및 클릭스트림 데이터를 기반으로 개인화된 제품 구매 추천을 제공하는 제품 추천 시스템을 구축할 수 있습니다. Aurora에서 선형 학습자 및 XGBoost와 같은 ML 모델을 호출하는 SQL 쿼리를 작성하고, 고객 프로필, 쇼핑 내역 및 제품 카탈로그 데이터를 이러한 모델에 전달하며, 제품 추천을 쿼리 결과로 얻을 수 있습니다. 그런 다음 쿼리 결과를 애플리케이션에서 사용하여 고객의 쇼핑 경험을 개선할 수 있습니다.

Aurora ML 통합은 콜 센터 분석 및 고객 지원 티켓 처리와 같은 고객 서비스 애플리케이션을 개선할 수 있습니다. Aurora에서 SQL 쿼리를 작성하고, 온라인 피드백 양식, 지원 티켓, 제품 리뷰 등의 고객 상호 작용 데이터를 Comprehend에 전달하고, 이 데이터를 분석하여 고객의 감정을 파악하고, 고객의 감정을 쿼리 결과로 반환할 수 있습니다. 그런 다음 쿼리 결과를 애플리케이션에서 사용하여 고객 관계를 개선할 수 있습니다.

Aurora는 신용카드 및 보험 청구 처리와 같은 애플리케이션에서 사기를 탐지하고 예방하는 데 도움이 될 수 있습니다. K-평균 클러스터링 및 Random Cut Forest와 같은 ML 모델을 호출하는 SQL 쿼리를 Aurora에 작성하고, 고객 프로필, 거래, 판매자 정보, 정책 세부 정보 및 클레임 데이터를 이러한 모델에 전달하며, 추가 검토 및 분석이 필요한 트랜잭션을 쿼리 결과로 얻을 수 있습니다. 그런 다음 쿼리 결과를 애플리케이션에서 사기 식별 및 완화에 사용할 수 있습니다.

고객 대화의 텍스트 기록을 분석하여 성공 패턴을 파악하고 차선책을 예측함으로써 영업 및 고객 서비스를 개선할 수 있습니다. pgvector 확장 프로그램을 사용하면 유사성 검색 쿼리에 사용할 수 있는 텍스트의 임베딩을 저장하여 특정 상황에서 판매 또는 지원 사례를 해결할 때 취할 수 있는 최선의 조치를 찾을 수 있습니다. Aurora ML을 사용하면 이러한 임베딩을 생성하는 모델을 직접 호출하여 최신 상태로 유지함으로써 실시간 쿼리를 빠르게 수행하고 최적의 고객 서비스 권장 사항을 얻을 수 있습니다.

• Aurora와 AWS 기계 학습 서비스 간의 통합에는 추가 비용이 들지 않습니다. 기본 Sagemaker, Amazon Bedrock 또는 Amazon Comprehend 서비스에 대한 요금만 지불하면 됩니다.
• Amazon Comprehend는 처리된 텍스트의 양을 기준으로 요금이 책정됩니다. 요금을 최소화하려면 데이터베이스 쿼리의 크기에 주의하세요.

Aurora ML과 SageMaker 및 Amazon Comprehend 통합은 Amazon Aurora MySQL 호환 버전 5.7 이상 및 Aurora PostgreSQL 호환 버전 11 이상에서 사용할 수 있습니다. Aurora ML과 Amazon Bedrock 통합은 Aurora PostgreSQL 버전 14 이상과 Aurora MySQL 3.06 이상에서 사용할 수 있습니다. Aurora 최신 버전으로 업그레이드하고 Amazon RDS Management Console에서 Aurora 데이터베이스가 AWS 기계 학습 서비스에 액세스할 수 있도록 설정하여 몇 번의 클릭만으로 시작할 수 있습니다. 자세한 내용은 Amazon Aurora 설명서를 참조하세요.