A Oracle anuncia o MySQL HeatWave ML – a maneira mais fácil, rápida e barata para os desenvolvedores adicionarem recursos poderosos de aprendizado de máquina aos seus aplicativos MySQL

O HeatWave ML automatiza totalmente o treinamento, inferência e anotação de modelos

O HeatWave ML é 25 vezes mais rápido que o Amazon Redshift ML a um por cento do custo

Austin, TexasE a 29 de março de 2022 /PRNewswire/ – A Oracle anunciou hoje que Oracle MySQL HeatWave Ele agora suporta aprendizado de máquina (ML) no banco de dados, além de processamento e análise de transações disponíveis anteriormente – o único serviço de banco de dados em nuvem MySQL a fazer isso. MySQL HeatWave ML Ele automatiza todo o ciclo de vida do aprendizado de máquina e armazena todos os modelos treinados em um banco de dados MySQL, eliminando a necessidade de transferir os dados ou o modelo para uma ferramenta ou serviço de aprendizado de máquina. A eliminação do ETL reduz a complexidade do aplicativo, reduz o custo e melhora a segurança dos dados e do modelo. O HeatWave ML está incorporado no serviço de nuvem do banco de dados MySQL HeatWave em todas as 37 regiões do Oracle Cloud Infrastructure (OCI).

Até agora, adicionar recursos de aprendizado de máquina a aplicativos MySQL tem sido muito difícil e demorado para muitos desenvolvedores. Primeiro, há o processo de extração de dados do banco de dados em outro sistema para criar e publicar modelos de ML. Essa abordagem cria vários repositórios para aplicar o aprendizado de máquina aos dados do aplicativo e fornece latência enquanto os dados estão em movimento. Ele também espalha dados do banco de dados, tornando-o mais vulnerável a ameaças de segurança, e adiciona complexidade para os desenvolvedores programarem em vários ambientes. Em segundo lugar, os serviços atuais esperam que os desenvolvedores sejam especialistas em orientar o processo de treinamento do modelo de ML; Caso contrário, o modelo fica abaixo do ideal, o que reduz a precisão das previsões. Por fim, a maioria das soluções de ML atuais não inclui funcionalidades para fornecer explicações sobre por que os modelos que os desenvolvedores criam têm expectativas específicas.

O MySQL HeatWave ML resolve esses problemas integrando localmente recursos de aprendizado de máquina em um banco de dados MySQL, eliminando a necessidade de transferir dados para outro serviço. O HeatWave ML automatiza totalmente o processo de treinamento e a geração de modelos com o melhor algoritmo, recursos ideais e hiperparâmetros ideais para um determinado conjunto de dados e tarefa. Todos os modelos gerados pelo HeatWave ML podem fornecer interpretações e previsões de modelos.

Nenhum outro fornecedor de banco de dados em nuvem oferece recursos avançados de aprendizado de máquina diretamente em seu serviço de banco de dados. inspiração ML . Padrões publicados Ele foi conduzido em um grande número de conjuntos de dados de classificação e regressão de aprendizado de máquina publicamente disponíveis, como Numerai, Namao e Bank Marketing, entre outros. Em média, no menor conjunto, o HeatWave ML treina modelos de aprendizado de máquina 25 vezes mais rápido a um por cento do custo do Redshift ML. Além disso, a vantagem de desempenho em relação ao Redshift ML aumenta quando o treinamento é realizado em uma matriz de ondas de calor maior. O treinamento é um processo demorado e, como pode ser feito com muita eficiência e rapidez com o MySQL HeatWave, os clientes agora podem treinar novamente seus modelos com frequência e acompanhar as alterações nos dados. Isso mantém os modelos atualizados e melhora a precisão das previsões.

READ  Injustiça: Deuses entre nós ganha um filme de animação

“Assim como mesclamos análises e processamento de transações em um único banco de dados, agora estamos trazendo aprendizado de máquina para o MySQL HeatWave”, disse ele. Eduardo Scriven, arquiteto-chefe da Oracle. “O MySQL HeatWave é um dos serviços em nuvem de crescimento mais rápido da Oracle. Um número crescente de clientes migraram da Amazon e outros serviços de banco de dados em nuvem para o MySQL HeatWave e obtiveram melhorias significativas de desempenho e reduções de custos. Hoje, também estamos anunciando várias outras inovações que enriquecem os recursos do HeatWave. , melhoram a disponibilidade e reduzem o custo. Nossos novos resultados de benchmark totalmente transparentes mostram mais uma vez que Snowflake, AWS, Microsoft e Google são mais lentos e mais caros que o MSQL HeatWave por uma margem significativa.”

O HeatWave ML oferece os seguintes recursos em comparação com outros serviços de banco de dados em nuvem:

Treinamento de modelo totalmente automatizado: Todas as diferentes etapas na criação de um modelo com o HeatWave ML são totalmente automatizadas e não requerem intervenção do desenvolvedor. Isso resulta em um modelo ajustado que é mais preciso, não requer trabalho manual e o processo de treinamento é sempre completo. Outros serviços de banco de dados em nuvem, como o Amazon Redshift, fornecem integração com recursos de aprendizado de máquina em serviços externos, que exigem ampla entrada manual dos desenvolvedores durante o processo de treinamento de ML.

Explicações e inferências do modelo: A capacidade de explicar o modelo ajuda os desenvolvedores a entender o comportamento do modelo de aprendizado de máquina. Por exemplo, se um banco se recusar a conceder um empréstimo a um cliente, o banco deve ser capaz de determinar quais critérios do formulário foram levados em consideração ou se o formulário contém algum viés. A interpretabilidade da previsão é um conjunto de técnicas que ajudam a responder à questão de por que um modelo de aprendizado de máquina faz uma previsão específica. As explicações de previsão estão se tornando cada vez mais importantes nos dias de hoje, pois as empresas devem ser capazes de explicar as decisões tomadas por seus modelos de aprendizado de máquina. O HeatWave ML integra anotações de modelo e interpretações de previsão como parte de um processo de treinamento típico. Como resultado, todos os modelos gerados pelo HeatWave ML podem fornecer um modelo, bem como explicações de inferência sem a necessidade de dados de treinamento no momento da explicação de inferência. A Oracle aproveita as tecnologias de interpretação existentes para melhorar o desempenho, a interpretabilidade e a qualidade. Outros serviços de banco de dados em nuvem não oferecem uma explicação tão rica de todos os seus modelos de aprendizado de máquina.

Ajustar hiperparâmetro: HeatWave ML aplica um novo algoritmo de redução de gradiente baseado em pesquisa para ajustar o hiperparâmetro. Isso permite que a busca de hiperparâmetros seja realizada em paralelo sem comprometer a precisão do modelo. O ajuste de hiperparâmetros é a fase mais demorada do treinamento do modelo de ML, e essa capacidade exclusiva fornece ao HeatWave ML uma importante vantagem de desempenho em relação a outros serviços de nuvem para a criação de modelos de aprendizado de máquina.

READ  5 celebridades brasileiras que estão mudando o ideal de beleza do país

Seleção de algoritmoO HeatWave ML usa o conceito de modelos substitutos – modelos simples que exibem as propriedades de um modelo complexo inteiro – para determinar o melhor algoritmo de aprendizado de máquina para treinamento. Usando um modelo de proxy simples, o algoritmo é selecionado de forma muito eficiente sem perder a precisão. Nenhum outro serviço de banco de dados para construir modelos de aprendizado de máquina tem esse recurso de modelagem de proxy.

Amostragem de Dados Inteligente: durante o treinamento do modelo, o HeatWave ML faz uma amostragem de uma pequena porcentagem dos dados para melhorar o desempenho. A amostragem é feita de forma que todos os pontos de dados representativos no conjunto de dados de amostra sejam registrados. Outros serviços em nuvem para a construção de modelos de aprendizado de máquina adotam uma abordagem menos eficiente – usando amostragem aleatória de dados – que amostram de uma pequena porcentagem dos dados sem considerar as características da distribuição de dados.

Seleção de recursos: a seleção de recursos ajuda a identificar características dos dados de treinamento que influenciam o comportamento do modelo de aprendizado de máquina para fazer previsões. As técnicas do HeatWave ML foram treinadas para selecionar recursos em uma ampla variedade de conjuntos de dados em vários domínios e aplicativos. Com essas estatísticas e informações descritivas coletadas, o HeatWave ML é capaz de identificar com eficiência recursos relevantes em um novo conjunto de dados.

Além dos recursos de aprendizado de máquina, a Oracle lançou mais inovações para o serviço MySQL HeatWave. sflexibilidade de tempo Ele permite que os clientes aumentem e reduzam seu pool HeatWave para qualquer número de nós, sem tempo de inatividade ou tempo somente leitura e sem a necessidade de rebalanceamento manual em massa. Também incluído compressão de dados, que permite que os clientes processem o dobro da quantidade de dados por nó e reduzam os custos em cerca de 50%, mantendo a mesma relação preço-desempenho. Por fim, um arquivo Pausar e retomar A função permite que os clientes pausem a onda de calor para economizar custos. Ao retomar, todos os dados e estatísticas necessários para o MySQL Autopilot são recarregados automaticamente no HeatWave.

Momentum de cliente e parceiro no MySQL HeatWave
A Astute Business Solutions é um parceiro líder do Oracle Cloud MSP. “Recentemente, tivemos a oportunidade de usar os recursos de aprendizado de máquina do HeatWave ML. Achamos que ele é muito inovador, fácil de usar, muito rápido e, o mais importante, seguro porque os dados ou o modelo nunca saem do banco de dados”, disse ele. Arvind RajanCofundador e CEO da Astute Business Solutions. “Acreditamos que fornecer aprendizado de máquina no banco de dados é de grande importância para nossos clientes e acelerará a adoção do MySQL HeatWave”.

A Estuda.com é uma provedora de SaaS educacional para testar alunos do ensino fundamental e médio no Brasil. “O MySQL HeatWave melhorou o desempenho de consultas complexas em 300 vezes para respostas em segundos a um custo 85% maior em comparação com o Google BigQuery sem alterações de código. Agora podemos fornecer análises melhores em tempo real em uma escala de três milhões de usuários e nosso aplicativo continuamente aprimorado para melhorar desempenho estudantil” Vítor Freitascofundador e diretor técnico da Estuda.com.

READ  Ventana Sur, Equipe Projeto Paradiso para o Prêmio Trabalho em Progresso Brasileiro

A VRGlass é uma produtora brasileira de software SaaS para aplicações e equipamentos metaversos para clientes corporativos.

“Impulsionada pelos avanços no programa Oracle for Startup, a VRGlass migrou todos os dados do aplicativo para MySQL HeatWave do AWS EC2. Em três horas, conseguimos um aumento de 5 vezes no desempenho do banco de dados para um evento virtual que acomodou mais de 1 milhão de visitantes e 1,7 milhões de sessões. Com maior segurança e pela metade do custo” Omar TaklaCEO da VRGlass.

Genius Sonority é um designer, desenvolvedor e operador de videogames em Japão. “Descobrimos que o MySQL HeatWave melhorou o desempenho em 90X, o que resolveu todos os desafios e preocupações que tínhamos na movimentação de dados para obter análises em tempo real. Foi uma grande surpresa para nós. Melhorias extremas de desempenho nos ajudaram a melhorar continuamente a experiência de jogo Joyful entretenimento do cliente em todo o mundo ” Masayuki KawamotoDiretor CTO, Genius Sonority.

A Neovera é um fornecedor confiável de soluções gerenciadas de segurança cibernética há mais de 20 anos. Ele disse: “O MySQL HeatWave em OCI aumentou nosso desempenho de consulta em 300 vezes com uma redução de 80% no custo total de propriedade em comparação com nosso ambiente de banco de dados MySQL local. Agora podemos ter relatórios analíticos em tempo real em um banco de dados OLTP para acelerar o melhoria do nosso aplicativo de segurança”, Armand Rawls, Sr. Engenheiro de banco de dados Oracle, Neovera Inc.

“A Oracle anunciou o MySQL HeatWave com Autopilot em agosto passado, que talvez tenha sido a maior inovação em bancos de dados em nuvem de código aberto nos últimos 20 anos até então”, Karl OlofsonVice-presidente de Pesquisa, Programa de Gerenciamento de Dados, IDC. “A Oracle agora foi além de sua padronização original de OLTP e OLAP no HeatWave, com MySQL HeatWave ML. A Oracle traz todos os processos e modelos de aprendizado de máquina dentro do banco de dados, para que os clientes não apenas evitem gerenciar bancos de dados ML separados do banco de dados subjacente, mas também elimina o incômodo do ETL, ganhando velocidade, precisão e custo-benefício na transação.”

Sobre a Oracle
A Oracle oferece suítes integradas de aplicativos, bem como uma infraestrutura independente e segura no Oracle Cloud. Para obter mais informações sobre a Oracle (NYSE): ORCL), visite-nos em www.oracle.com.

Recursos adicionais

Marcas registradas
Oracle, Java e MySQL são marcas registradas da Oracle Corporation.

* Consultas O padrão é derivado do padrão TPC-DS, mas os resultados não podem ser comparados com os resultados do teste TPC-DS publicados porque não estão em conformidade com a especificação TPC-DS.

Origem Oracle

Deixe um comentário

O seu endereço de e-mail não será publicado.