从几天到几分钟——使用HeatWave AutoML实现企业机器学习的自动化

Sandeep Agrawal 开发者，MySQL HeatWave 安全港声明 以下内容旨在概述我们的产品总体方向。此信息仅供参考，不得纳入任何合同之中。此内容非对交付任何材料、代码或功能性的承诺，不应作为购买决策的依据。Oracle公司对其产品描述的任何功能或功能的开发、发布、时间表和定价可能发生变化，且最终决定权归Oracle公司所有。 MySQL HeatWave AutoML •完全自动化、高度可扩展、成本效益高、性能优越 • 在数据库中的机器学习 •数据库开发人员和商务分析师友好 •模型与预测的无模型解释 •无额外费用适用于HeatWave客户 分类与回归 超过十种最常见的用于分类和回归的分类使用案例示例： •将贷款申请分类为批准或拒绝•解释为什么根据申请人数据批准或拒绝了贷款。•确定申请人可以采取哪些措施来改变结果。 回归用例示例： •基于贷款申请者的数据提供年利率•解释导致这一年化百分比收益率（APR）的因素 预测 •••预测时间序列的值基于多个变量的观察公用事业部门：预测电力需求在在考虑其他能源来源的冬季商品：预测季节性需求玉米考虑需求及其他谷物•新型自动化技术在HeatWave AutoML中开发 推荐系统 预测评级、前Top K项目、相似用户和项目 根据客户购买历史推荐新产品 推荐系统在电子商务中提供多种益处： •基于先前互动的个人化和动态推荐最大化转换率并增加订单量•提高客户满意度和提升客户保留率。•简化产品搜索并增加更多收入。 异构检测 在未标记数据上训练模型极为困难，HeatWave AutoML简化了在未标记数据上的训练过程。专有算法可检测多种异常类型。应用范围涵盖众多领域： •银行与金融领域的欺诈检测•制造中的故障检测与预防•基于日志分析的根源分析 通过SQL公开HeatWave AutoML功能任何SQL客户端都可以利用HeatWave AutoML。 ML_TRAIN – 为给定表构建一个优化模型ML_EXPLAIN – 训练额外的模型或预测解释器ML_SCORE – 评估训练好的模型ML_PREDICT_ROW / TABLE – 对行/表进行推理ML_EXPLAIN_ROW / TABLE – 对行/表上的预测进行解释 文本列支持 HeatWave AutoML 现在支持数据库中的文本列。文本列会被转换为数值向量，并被视为常规特征。文本类型可以是 - TINYTEXT, TEXT, MEDIUMTEXT 或 LONGTEXT。 湖泊支持 在对象存储或数据库中的数据上构建机器学习模型 使用与数据库中数据相同的API 无额外成本 - 重复使用相同的HeatWave集群 生成式人工智能 热浪中的生成式AI使新的用例成为可能。 内容生成与摘要 检索增强生成（Retrieval Augmented Generation） 从企业文档中生成洞见 • 从PDF说明书生成博客 • 概述日志 • 在公共和私营企业数据中搜索 •在矢量存储中搜索非结构化数据 • 与非结构化数据的自然语言交互 •以自然语言进行内容检索和响应 向量存储为LLM提供上下文，以获得更相关的结果。 生成式AI与自动化机器学习（AutoML）的协同效应 在HeatWave中的差异化因素 多个结合HeatWave AutoML与生成式AI的优势： • 通过过滤无关数据，实现更精确的LLM结果• 由于搜索空间较小，加快LLM推理速度 用例1：员工助手矢量存储 + 自然语言界面 员工助理：提高员工生产力 矢量存储摄取 用例 2：个性化 推荐系统 + RAG 用例 3：报告生成。 异常检测 + 内容生成 发电机示例事件报告 报告生成：异常日志摘要 提出问题（“在以下日志集合中，主要问题是什么。提供两句总结。”） 主要问题是这个日志集合中，特定进程（ID为8145）的内存使用量持续超过定义的内存阈值。这个问题在日志中被反复强调，当进程超过内存阈值时，会向主线程发送SIGTERM信号以终止进程。您需要我在关于这个日志集合的其他方面提供帮助吗？ 摘要 - 具有MySQL HeatWave矢量存储的生成式AI •启用对非结构化文档的查询•允许对内容进行语义搜索•用户可以使用自然语言查询非结构化文档。 MySQL HeatWave