Oracle phát hành tích hợp máy học mới với dịch vụ đám mây MySQL HeatWave

Oracle hôm nay đã thông báo rằng Oracle MySQL HeatWave hiện hỗ trợ học máy trong cơ sở dữ liệu [ML] bên cạnh việc xử lý và phân tích giao dịch đã có sẵn trước đây—dịch vụ cơ sở dữ liệu đám mây MySQL duy nhất hỗ trợ điều này. MySQL HeatWave ML hoàn toàn tự động hóa vòng đời ML và lưu trữ tất cả các mô hình được đào tạo bên trong cơ sở dữ liệu MySQL, loại bỏ nhu cầu di chuyển dữ liệu hoặc mô hình sang công cụ hoặc dịch vụ máy học. Loại bỏ ETL làm giảm độ phức tạp của ứng dụng, giảm chi phí và cải thiện tính bảo mật của cả dữ liệu và mô hình. HeatWave ML được bao gồm trong dịch vụ đám mây cơ sở dữ liệu MySQL HeatWave trong tất cả 37 khu vực Cơ sở hạ tầng đám mây Oracle [OCI]

Cho đến thời điểm hiện tại, việc bổ sung các khả năng học máy vào các ứng dụng MySQL cực kỳ khó khăn và tốn thời gian đối với nhiều nhà phát triển. Đầu tiên, có quá trình trích xuất dữ liệu ra khỏi cơ sở dữ liệu và đưa vào một hệ thống khác để tạo và triển khai các mô hình ML. Cách tiếp cận này tạo ra nhiều silo để áp dụng máy học vào dữ liệu ứng dụng và giới thiệu độ trễ khi dữ liệu di chuyển xung quanh. Nó cũng dẫn đến việc phổ biến dữ liệu ra khỏi cơ sở dữ liệu, khiến nó dễ bị đe dọa hơn trước các mối đe dọa bảo mật và tăng thêm độ phức tạp cho các nhà phát triển khi lập trình trong nhiều môi trường. Thứ hai, các dịch vụ hiện có mong muốn các nhà phát triển trở thành chuyên gia hướng dẫn quy trình đào tạo mô hình ML; . Cuối cùng, hầu hết các giải pháp ML hiện có không bao gồm chức năng cung cấp giải thích về lý do tại sao các mô hình mà nhà phát triển xây dựng đưa ra các dự đoán cụ thể

MySQL HeatWave ML giải quyết những vấn đề này bằng cách tích hợp sẵn các khả năng học máy bên trong cơ sở dữ liệu MySQL, loại bỏ nhu cầu ETL dữ liệu sang dịch vụ khác. HeatWave ML hoàn toàn tự động hóa quy trình đào tạo và tạo mô hình với thuật toán tốt nhất, tính năng tối ưu và siêu tham số tối ưu cho một tập dữ liệu nhất định và một tác vụ cụ thể. Tất cả các mô hình được tạo bởi HeatWave ML có thể cung cấp các giải thích về mô hình và dự đoán

Không có nhà cung cấp cơ sở dữ liệu đám mây nào khác cung cấp các khả năng ML nâng cao như vậy trực tiếp bên trong dịch vụ cơ sở dữ liệu của họ. Oracle đã công bố các điểm chuẩn ML được thực hiện trên một số lượng lớn các bộ dữ liệu hồi quy và phân loại học máy có sẵn công khai như Numerai, Nomao và Bank Marketing, trong số những bộ dữ liệu khác. Trung bình, trên cụm nhỏ nhất, HeatWave ML đào tạo các mô hình máy học nhanh hơn 25 lần với chi phí bằng 1% so với Redshift ML. Ngoài ra, lợi thế về hiệu suất so với Redshift ML tăng lên khi đào tạo được thực hiện trên cụm HeatWave lớn hơn. Đào tạo là một quá trình tốn nhiều thời gian và vì nó có thể được thực hiện rất hiệu quả và nhanh chóng với MySQL HeatWave, giờ đây khách hàng có thể đào tạo lại các mô hình của họ thường xuyên hơn và theo kịp các thay đổi về dữ liệu. Điều này giúp các mô hình luôn cập nhật và cải thiện độ chính xác của các dự đoán

Edward Screven, kiến ​​trúc sư trưởng của Oracle cho biết: “Giống như chúng tôi đã tích hợp phân tích và xử lý giao dịch trong một cơ sở dữ liệu duy nhất, chúng tôi hiện đang đưa công nghệ máy học vào MySQL HeatWave. “MySQL HeatWave là một trong những dịch vụ đám mây phát triển nhanh nhất tại Oracle. Ngày càng có nhiều khách hàng chuyển từ Amazon và các dịch vụ cơ sở dữ liệu đám mây khác sang MySQL HeatWave và đã đạt được những cải tiến đáng kể về hiệu suất cũng như chi phí thấp hơn. Hôm nay, chúng tôi cũng công bố một số cải tiến khác giúp làm phong phú thêm các khả năng của HeatWave, cải thiện tính khả dụng và giảm chi phí. Kết quả điểm chuẩn mới và hoàn toàn minh bạch của chúng tôi một lần nữa chứng minh rằng Snowflake, AWS, Microsoft và Google chậm hơn và đắt hơn MSQL HeatWave với biên độ lớn. ”

HeatWave ML cung cấp các khả năng sau so với các dịch vụ cơ sở dữ liệu đám mây khác

Đào tạo mô hình hoàn toàn tự động. Tất cả các giai đoạn khác nhau trong việc tạo mô hình với HeatWave ML đều hoàn toàn tự động và không yêu cầu bất kỳ sự can thiệp nào từ nhà phát triển. Điều này dẫn đến một mô hình được điều chỉnh chính xác hơn, không yêu cầu thao tác thủ công và quá trình đào tạo luôn được hoàn thành. Các dịch vụ cơ sở dữ liệu đám mây khác, chẳng hạn như Amazon Redshift, cung cấp khả năng tích hợp với khả năng máy học trong các dịch vụ bên ngoài, vốn yêu cầu nhiều đầu vào thủ công từ các nhà phát triển trong quá trình đào tạo ML

Giải thích mô hình và suy luận. Khả năng giải thích mô hình giúp nhà phát triển hiểu hành vi của mô hình máy học. Ví dụ: nếu ngân hàng từ chối khoản vay của khách hàng, ngân hàng cần có khả năng xác định tham số nào của mô hình đã được tính đến hoặc liệu mô hình có chứa bất kỳ sai lệch nào không. Khả năng giải thích dự đoán là một tập hợp các kỹ thuật giúp trả lời câu hỏi tại sao một mô hình học máy lại đưa ra một dự đoán cụ thể. Ngày nay, các giải thích dự đoán ngày càng trở nên quan trọng vì các công ty phải có khả năng giải thích các quyết định được đưa ra bởi các mô hình học máy của họ. HeatWave ML tích hợp cả giải thích mô hình và giải thích dự đoán như một phần của quy trình đào tạo mô hình của nó. Do đó, tất cả các mô hình do HeatWave ML tạo ra có thể đưa ra các giải thích về mô hình cũng như suy luận mà không cần dữ liệu huấn luyện tại thời điểm giải thích suy luận. Oracle đã tăng cường các kỹ thuật giải thích hiện có để cải thiện hiệu suất, khả năng diễn giải và chất lượng. Các dịch vụ cơ sở dữ liệu đám mây khác không cung cấp khả năng giải thích phong phú như vậy cho tất cả các mô hình học máy của họ

Điều chỉnh siêu tham số. HeatWave ML triển khai thuật toán giảm dựa trên tìm kiếm độ dốc mới để điều chỉnh siêu tham số. Điều này cho phép tìm kiếm siêu tham số được thực hiện song song mà không ảnh hưởng đến độ chính xác của mô hình. Điều chỉnh siêu tham số là giai đoạn đào tạo mô hình ML tốn nhiều thời gian nhất và khả năng độc đáo này mang lại cho HeatWave ML lợi thế đáng kể về hiệu suất so với các dịch vụ đám mây khác để xây dựng mô hình máy học

Lựa chọn thuật toán. HeatWave ML sử dụng khái niệm mô hình proxy—là các mô hình đơn giản thể hiện các thuộc tính của một mô hình phức tạp đầy đủ—để xác định thuật toán ML tốt nhất cho đào tạo. Sử dụng một mô hình proxy đơn giản, việc lựa chọn thuật toán được thực hiện rất hiệu quả mà không làm giảm độ chính xác. Không có dịch vụ cơ sở dữ liệu nào khác để xây dựng mô hình học máy có khả năng lập mô hình proxy này

Lấy mẫu dữ liệu thông minh. Trong quá trình đào tạo mô hình, HeatWave ML lấy mẫu một tỷ lệ nhỏ dữ liệu để cải thiện hiệu suất. Việc lấy mẫu này được thực hiện sao cho tất cả các điểm dữ liệu đại diện đều được ghi lại trong tập dữ liệu mẫu. Các dịch vụ đám mây khác để xây dựng mô hình máy học sử dụng phương pháp kém hiệu quả hơn—sử dụng lấy mẫu dữ liệu ngẫu nhiên—lấy mẫu một tỷ lệ phần trăm dữ liệu nhỏ mà không xem xét các đặc điểm phân phối dữ liệu

Lựa chọn tính năng. Lựa chọn tính năng giúp xác định các thuộc tính của dữ liệu đào tạo ảnh hưởng đến hành vi của mô hình học máy để đưa ra dự đoán. Các kỹ thuật trong HeatWave ML để lựa chọn tính năng đã được đào tạo qua một loạt các tập dữ liệu trên nhiều miền và ứng dụng. Từ các số liệu thống kê và thông tin meta được thu thập này, HeatWave ML có thể xác định hiệu quả các tính năng có liên quan trong tập dữ liệu mới.  

Ngoài khả năng học máy, Oracle đã phát hành nhiều cải tiến hơn cho dịch vụ MySQL HeatWave. Độ co giãn theo thời gian thực cho phép khách hàng tăng và giảm kích thước cụm HeatWave của họ thành bất kỳ số lượng nút nào mà không có thời gian ngừng hoạt động hoặc thời gian chỉ đọc và không cần phải cân bằng lại cụm theo cách thủ công. Cũng bao gồm tính năng nén dữ liệu, cho phép khách hàng xử lý gấp đôi lượng dữ liệu trên mỗi nút và giảm chi phí gần 50%, trong khi vẫn duy trì tỷ lệ hiệu suất giá như cũ. Cuối cùng, chức năng tạm dừng và tiếp tục mới cho phép khách hàng tạm dừng HeatWave để tiết kiệm chi phí. Khi tiếp tục, cả dữ liệu và số liệu thống kê cần thiết cho MySQL Autopilot sẽ tự động được tải lại vào HeatWave

Động lực của khách hàng và đối tác trên MySQL HeatWave

Astute Business Solutions là Đối tác Oracle Cloud MSP hàng đầu. “Gần đây, chúng tôi đã có cơ hội sử dụng khả năng học máy của HeatWave ML. Arvind Rajan, Đồng sáng lập và Giám đốc điều hành của Astute Business Solutions cho biết: “Chúng tôi thấy nó rất sáng tạo, dễ sử dụng, rất nhanh và quan trọng nhất là nó an toàn vì dữ liệu hoặc mô hình không rời khỏi cơ sở dữ liệu”. “Chúng tôi tin rằng việc cung cấp máy học trong cơ sở dữ liệu được khách hàng của chúng tôi quan tâm đáng kể và sẽ đẩy nhanh hơn nữa việc áp dụng MySQL HeatWave. ”

Estuda. com là nhà cung cấp SaaS giáo dục để kiểm tra học sinh K-12 ở Brasil. “MySQL HeatWave đã cải thiện hiệu suất truy vấn phức tạp của chúng tôi gấp 300 lần đối với các phản hồi trong vài giây và ở mức 85% chi phí so với Google BigQuery mà không thay đổi mã. Giờ đây, chúng tôi có thể cung cấp phân tích thời gian thực tốt hơn ở quy mô ba triệu người dùng và liên tục cải tiến ứng dụng của mình để nâng cao hiệu suất của học sinh,” Vitor Freitas, Đồng sáng lập và CTO, Estuda cho biết. com

VRGlass là nhà sản xuất các ứng dụng và thiết bị metaverse Brasilian SaaS dành cho khách hàng doanh nghiệp. “Được thúc đẩy bởi tiến độ đạt được trong chương trình Oracle dành cho Khởi nghiệp, VRGlass đã di chuyển tất cả dữ liệu ứng dụng sang MySQL HeatWave từ AWS EC2. Trong vòng ba giờ, chúng tôi đã đạt được hiệu suất cơ sở dữ liệu tăng gấp 5 lần cho một sự kiện ảo có sức chứa hơn một triệu khách truy cập và 1. 7 triệu phiên với bảo mật cao hơn và chi phí chỉ bằng một nửa,” Ohmar Tacla, Giám đốc điều hành, VRGlass cho biết

Genius Sonority là nhà thiết kế, phát triển và điều hành trò chơi điện tử tại Nhật Bản. “Chúng tôi nhận thấy MySQL HeatWave đã cải thiện hiệu suất gấp 90 lần, giúp giải quyết tất cả các thách thức và mối lo ngại mà chúng tôi gặp phải khi di chuyển dữ liệu để thực hiện phân tích thời gian thực. Đó là một bất ngờ lớn đối với chúng tôi. Masayuki Kawamoto, Giám đốc, CTO, Genius Sonority cho biết:

Neovera là nhà cung cấp đáng tin cậy các giải pháp an ninh mạng được quản lý trong hơn 20 năm. “MySQL HeatWave trên OCI đã tăng hiệu suất truy vấn của chúng tôi lên gấp 300 lần với mức giảm 80% TCO so với môi trường cơ sở dữ liệu MySQL tại chỗ của chúng tôi. Giờ đây, chúng tôi có thể nhận báo cáo phân tích theo thời gian thực trong cơ sở dữ liệu OLTP của mình để đẩy nhanh việc nâng cao ứng dụng bảo mật của chúng tôi,” Arman Rawls, Sr cho biết. Kiến trúc sư cơ sở dữ liệu Oracle, Neovera Inc

“Oracle đã công bố MySQL HeatWave với Autopilot vào tháng 8 năm ngoái, đây rất có thể là sự đổi mới lớn nhất trong cơ sở dữ liệu đám mây nguồn mở trong 20 năm qua tính đến thời điểm đó,” Carl Olofson, Phó Chủ tịch Nghiên cứu, Phần mềm Quản lý Dữ liệu, IDC cho biết. “Giờ đây, Oracle đã vượt xa sự thống nhất ban đầu của OLTP và OLAP trong HeatWave, với MySQL HeatWave ML. Oracle đang đưa tất cả các mô hình và quy trình xử lý máy học vào bên trong cơ sở dữ liệu, để khách hàng không chỉ tránh phải quản lý cơ sở dữ liệu ML ngoài cơ sở dữ liệu chính mà còn loại bỏ sự phức tạp của ETL, đạt được tốc độ, độ chính xác và hiệu quả về chi phí. ”

Tài nguyên bổ sung

* Truy vấn điểm chuẩn được lấy từ điểm chuẩn TPC-DS, nhưng kết quả không thể so sánh với kết quả điểm chuẩn TPC-DS đã công bố vì chúng không tuân thủ thông số kỹ thuật của TPC-DS