Oracle incorpora funciones de ML a MySQL HeatWave

Oracle ha agregado capacidades de aprendizaje automático a su servicio en la nube de análisis de datos MySQL HeatWave. Este último combina el procesamiento analítico en línea (OLAP) y el procesamiento de transacciones en línea (OLTP) en una única base de datos MySQL automatizada e impulsada por IA. Las últimas capacidades de aprendizaje automático se agregarán a los componentes AutoML y MySQL Autopilot, dijo el proveedor. Si bien AutoML permite a los desarrolladores y analistas de datos diseñar, entrenar e implementar modelos de aprendizaje automático dentro de MySQL HeatWave, sin pasar por un servicio separado para el aprendizaje automático, MySQL Autopilot proporciona automatización basada en el aprendizaje automático para HeatWave y OLTP. Con la clave, así como el aprovisionamiento, la codificación, el plan de consulta, la predicción de forma, la ubicación automática de datos, etc.

Mejora de las previsiones de series temporales con aprendizaje automático

Estas funciones basadas en el aprendizaje automático agregadas a AutoML incluyen pronósticos de series temporales multivariantes, detección de anomalías no supervisadas y sistemas de recomendación, dijo Oracle, y agregó que todas estas funciones ahora están disponibles para todos (GA). “La previsión de series temporales multivariadas permite pronosticar múltiples variables ordenadas en el tiempo, donde cada variable depende tanto de su valor pasado como de los valores pasados ​​de otras variables dependientes”, explicó Nipun Agarwal, vicepresidente senior de investigación de Oracle. “Por ejemplo, se utiliza para construir modelos de previsión de la demanda eléctrica en invierno teniendo en cuenta las diferentes fuentes de energía que se utilizan para producir electricidad”.

A diferencia de la tradición de contratar a un estadístico especializado, la previsión de series temporales multivariante de AutoML procesa automáticamente los datos para seleccionar el mejor algoritmo de modelo de ML y ajustar automáticamente el modelo. "La canalización de predicción automatizada de HeatWave AutoML utiliza una técnica patentada que incluye pasos como el preprocesamiento avanzado de series de tiempo, la selección de algoritmos y el ajuste de hiperparámetros", dijo Nipun Agarwal, y agregó que esta automatización puede ayudar a las empresas a ahorrar tiempo y esfuerzo porque no t necesitan contar con estadísticos expertos en sus equipos. Según Holger Muller, analista principal de Constellation Research, la función de pronóstico de series de tiempo multivariante es exclusiva de MySQL HeatWave de Oracle: "El pronóstico de series de tiempo, multivariante o no, actualmente no se ofrece como parte de una única base de datos que proporciona análisis mejorados por aprendizaje automático. AWS, por ejemplo, ofrece una base de datos separada para series temporales.

Detección de anomalías mejorada

Además de la previsión de series temporales multivariadas, Oracle añade detección de anomalías basada en aprendizaje automático "no supervisado" a MySQL HeatWave. A diferencia de la práctica de usar algoritmos específicos para detectar problemas, AutoML puede identificar diferentes tipos de anomalías de conjuntos de datos no clasificados, explicó Oracle. Para el editor, esta función debería ayudar a los usuarios cuando no saben qué tipo de anomalías hay en el conjunto de datos. “El modelo generado por HeatWave AutoML brinda alta precisión para todo tipo de anomalías, locales, agrupadas y globales. El proceso está completamente automatizado, lo que elimina la necesidad de que los analistas de datos determinen manualmente qué algoritmo usar, qué funciones seleccionar y los valores óptimos de hiperparámetro”, dice Agarwal. Además, AutoML agregó un motor de recomendación que respalda la automatización de la selección de algoritmos, la selección de funciones y la optimización de hiperparámetros en MySQL HeatWave. “Con MySQL HeatWave, los usuarios pueden invocar el procedimiento ML_TRAIN, que entrena automáticamente el modelo que luego se almacena en MODEL_CATALOG. Para predecir una recomendación, los usuarios pueden invocar el procedimiento ML_PREDICT_ROW o ML_PREDICT_TABLE”, dijo Nipun Agarwal.

Las últimas características de MySQL HeatWave incluyen dos adiciones a MySQL Autopilot: la integración del Asesor de predicción de AutoShape en la consola interactiva y la descarga automática. "En la Consola interactiva, los usuarios de la base de datos ahora pueden acceder al Asesor de predicción de formas automáticas de MySQL Autopilot, que monitorea continuamente la carga de trabajo de OLTP para recomendar, con una explicación, la forma de cálculo correcta en un momento dado. Ofreciendo a los clientes obtener siempre la mejor relación precio-rendimiento. proporción ", dijo el Sr. Agarwal. La función de descarga automática, según el negocio, puede recomendar qué tablas descargar en función del historial de carga de trabajo. "Usar menos memoria reduce el tamaño del clúster necesario para ejecutar una carga de trabajo y genera ahorros de costos". agrega Agarwal, señalando que ambas características están disponibles.

HeatWave también corta para pequeños volúmenes de datos

Oracle también ofrece una versión más pequeña de HeatWave para atraer a los clientes con volúmenes de datos más pequeños. A diferencia del nodo estándar de 512 GB, se ofrece un nodo más pequeño de 32 GB, hasta 50 GB, a partir de $ 16 por mes. Además, la capacidad de procesamiento de datos del HeatWave estándar ahora es de hasta 1 TB. , explica Nipun Agarwal.