MySQL HeatWave ML: el gran anuncio 2022 de Oracle

MySQL HeatWave ML
MySQL HeatWave ML

MySQL HeatWave ML la forma más simple para que los desarrolladores incluyan potentes capacidades de aprendizaje automático a sus aplicaciones

Oracle anuncia que Oracle MySQL HeatWave ahora es compatible con el aprendizaje automático en la base de datos, además del procesamiento y análisis de transacciones disponibles previamente, es el único servicio de base de datos en la nube de MySQL que lo hace.

MySQL HeatWave ML automatiza completamente el ciclo de vida del aprendizaje automático.

Almacena todos los modelos entrenados dentro de la base de datos MySQL, eliminando así la necesidad de migrar datos o el modelo a una herramienta o servicio de aprendizaje automático.

La eliminación de ETL reduce la complejidad de la aplicación, minimiza los costos y mejora la seguridad de los datos y del modelo.

MySQL HeatWave ML
MySQL HeatWave ML

HeatWave ML se incluye con el servicio en la nube de la base de datos MySQL HeatWave en las 37 regiones de Oracle Cloud Infrastructure (OCI).

Esta solución resuelve procesos que antes demoraban mayor tiempo y recursos mediante la integración nativa de las capacidades de aprendizaje automático dentro de la base de datos MySQL.

Lo cual elimina la necesidad de ETL de los datos a otro servicio.

HeatWave ML automatiza completamente el proceso de entrenamiento y genera un modelo con el mejor algoritmo.

Busca características óptimas e hiperparámetros ideales para un determinado conjunto de datos y una tarea específica.

Todos los modelos generados por HeatWave ML pueden ofrecer explicaciones de modelos y predicciones.

Las pruebas comparativas de aprendizaje automático de Oracle publicadas se realizaron en varios conjuntos de datos de clasificación y regresión de aprendizaje automático.

Estan disponibles públicamente, pruebas tales como Numerai, Namao y Bank Marketing, entre otros.

En promedio, en el clúster más pequeño, HeatWave ML entrena modelos de aprendizaje automático 25 veces más rápido al 1% del costo de Redshift ML.

Además, la ventaja de rendimiento sobre Redshift ML aumenta cuando el entrenamiento se realiza en un clúster HeatWave más grande.

La capacitación es un proceso que requiere mucho tiempo y, ya que se puede realizar de manera muy eficiente y rápida con MySQL HeatWave.

Con esto los clientes pueden volver a entrenar sus modelos con mayor frecuencia y mantenerse al día con los cambios en los datos.

Esto hace que los modelos se mantengan actualizados y que mejore la precisión de las predicciones.

“Así como integramos análisis y procesamiento de transacciones en una sola base de datos, ahora estamos incorporando el aprendizaje automático dentro de MySQL HeatWave”, dijo Edward Screven, arquitecto corporativo principal de Oracle.

“MySQL HeatWave es uno de los servicios en la nube de más rápido crecimiento en Oracle.

Cada vez más clientes migran desde Amazon y otros servicios de bases de datos en la nube a MySQL HeatWave y han obtenido mejoras significativas en el rendimiento y costos reducidos.

Hoy también estamos anunciando una serie de innovaciones que enriquecen las capacidades de HeatWave, mejoran la disponibilidad y reducen el costo.

Nuestros resultados de referencia nuevos y totalmente transparentes demuestran nuevamente que Snowflake, AWS, Microsoft y Google son más lentos y más costosos que MySQL HeatWave por un amplio margen”.

MySQL HeatWave
MySQL HeatWave

HeatWave ML ofrece las siguientes capacidades en comparación con otros servicios de bases de datos en la nube:

Entrenamiento de modelos completamente automatizado: todas las etapas de la creación de un modelo con HeatWave ML están completamente automatizadas y no requieren ninguna intervención de los desarrolladores.

Esto da como resultado un modelo ajustado y más preciso, que no requiere trabajo manual y cuyo proceso de entrenamiento siempre se completa.

Otros servicios de bases de datos en la nube, como Amazon Redshift, brindan integración con capacidades de aprendizaje automático en servicios externos.

Lo cual requiere intervenciones manuales de los desarrolladores durante el proceso de entrenamiento del aprendizaje automático.

Explicaciones de modelo e inferencia:

La capacidad de explicación del modelo ayuda a los desarrolladores a comprender el comportamiento de un modelo de aprendizaje automático.

Por ejemplo, si un banco niega un préstamo a un cliente, el banco debe poder determinar qué parámetros del modelo se tomaron en cuenta o si tiene algún sesgo.

La explicabilidad de las predicciones es un conjunto de técnicas que ayudan a responder a la pregunta de por qué un modelo de aprendizaje automático realizó una predicción en particular.

Las explicaciones de predicción son cada vez más importantes hoy en día, pues las empresas deben poder explicar las decisiones que han tomado sus modelos de aprendizaje automático.

HeatWave ML integra la explicación del modelo y las explicaciones de predicción como parte de su proceso de entrenamiento.

Como resultado, los modelos creados por HeatWave ML pueden ofrecer explicaciones del modelo y de la inferencia, sin necesidad de datos de entrenamiento, al momento de la explicación de la inferencia.

Oracle ha aumentado las técnicas de explicación existentes para mejorar el rendimiento, la interpretabilidad y la calidad.

Otros servicios de bases de datos en la nube no ofrecen una explicación tan rica para sus modelos de aprendizaje automático.

Ajuste de hiperparámetros:

HeatWave ML implementa un nuevo algoritmo de reducción basado en la búsqueda de gradientes para el ajuste de hiperparámetros.

Esto permite que la búsqueda de hiperparámetros se ejecute en paralelo sin poner en riesgo la precisión del modelo.

El ajuste de hiperparámetros es la etapa más larga del entrenamiento del modelo de aprendizaje automático.

Esta capacidad única proporciona HeatWave ML una ventaja significativa sobre otros servicios en la nube para construir modelos de aprendizaje automático.

Selección de algoritmo:

HeatWave ML utiliza la noción de modelos proxy, que son modelos simples que exhiben las propiedades de uno complejo para determinar el mejor algoritmo de aprendizaje automático para el entrenamiento.

Con un modelo de proxy simple, la selección de algoritmos se realiza de manera muy eficiente y sin perder precisión.

Ningún otro servicio de base de datos para crear modelos de aprendizaje automático tiene esta capacidad de modelado proxy.

Muestreo inteligente de datos:

Durante el entrenamiento del modelo, HeatWave ML muestrea un pequeño porcentaje de los datos para mejorar el rendimiento.

Este muestreo se lleva a cabo de tal manera que todos los puntos de datos representativos se capturan en el conjunto de datos de muestra.

Otros servicios en la nube para crear modelos de aprendizaje automático adoptan un enfoque menos eficiente (usando muestreo aleatorio de datos) que extrae un pequeño porcentaje de datos sin considerar las características de su distribución.

Selección de funciones:

La selección de funciones ayuda a determinar los atributos de los datos de entrenamiento que influyen en el comportamiento del modelo de aprendizaje automático para predicciones.

Las técnicas de HeatWave ML para la selección de funciones se han entrenado en un amplio conjunto de juegos de datos en varios dominios y aplicaciones.

A partir de estas estadísticas y metainformación recopiladas, HeatWave ML puede identificar eficientemente las características relevantes en un nuevo conjunto de datos.

Además de las capacidades de aprendizaje automático, Oracle lanzó más innovaciones para el servicio MySQL HeatWave.

La elasticidad en tiempo real permite a los clientes aumentar y reducir el tamaño de su clúster HeatWave a cualquier cantidad de nodos, sin tiempo de inactividad o tiempo de solo lectura, y sin la necesidad de reequilibrar manualmente el clúster.

También está incluida la compresión de datos, que permite a los clientes procesar el doble de datos por nodo y reduce los costos en casi un 50%., manteniendo la misma relación precio-rendimiento.

Finalmente, las funciones de pausar y reanudar permiten a los clientes pausar HeatWave para ahorrar costos.

Al reanudar, tanto los datos como las estadísticas necesarias para MySQL Autopilot se vuelven a cargar automáticamente en HeatWave.

Por Marcelo Lozano – General Publisher IT CONNECT LATAM

MySQL HeatWave ML, MySQL HeatWave ML, MySQL HeatWave ML, MySQL HeatWave ML, MySQL HeatWave ML, MySQL HeatWave ML,

MySQL HeatWave ML, MySQL HeatWave ML, MySQL HeatWave ML, MySQL HeatWave ML, MySQL HeatWave ML, 

MySQL HeatWave ML, MySQL HeatWave ML, MySQL HeatWave ML, MySQL HeatWave ML, MySQL HeatWave ML, MySQL HeatWave ML, MySQL HeatWave ML, 

 

90 / 100