Suchen

Machine Learning auf Basis relationaler Datenbanken „Amazon Aurora“ mit besserer ML-Integration

| Autor / Redakteur: Thomas Joos / Stephan Augsten

AWS sorgt für eine bessere Integration von Amazon Aurora mit den Machine-Learning-Services SageMaker und Comprehend. Entwickler können damit künftig über SQL-Funktionen maschinelle Lernmodelle auf Daten anwenden.

Firma zum Thema

Als MySQL- und PostgreSQL-kompatible, relationale Datenbank soll Amazon Aurora von bestehenden AWS Machine Learning Services profitieren.
Als MySQL- und PostgreSQL-kompatible, relationale Datenbank soll Amazon Aurora von bestehenden AWS Machine Learning Services profitieren.
(Bild: AWS)

Um maschinelles Lernen auf Daten in einer relationalen Datenbank anzuwenden, sind häufig mehrere Anwendungen notwendig. Ein Tool muss die Daten aus der Datenbank auslesen und danach kann ein anderes Programm das Modell des maschinellen Lernens anwenden. AWS Amazon Aurora soll im Zusammenspiel mit Amazon SageMaker und Amazon Comprehend diese Vorgehensweise vereinfachen.

Abfrageausgaben, einschließlich der Daten aus maschinellem Lernen werden in einer neuen Tabelle gespeichert. Alternativ kann der von den Clients ausgeführte SQL-Code geändert werden, um die Daten direkt zu verarbeiten. Dadurch können Anwendungen und BI- sprich Business-Intelligence-Dashboards relationale Daten in einer Amazon Aurora-Datenbank und unstrukturierte Daten in Amazon S3 verwenden.

Dazu sind wenige Anweisungen bei den SQL-Abfragen notwendig und etwas Konfiguration in Amazon QuickSight. Aurora, Amazon Athena und Amazon QuickSight können direkte Abrufe für AWS ML-Dienste wie Amazon SageMaker und Amazon Comprehend durchführen. Das macht es einfacher, ML-Vorhersagen zu Anwendungen hinzuzufügen, ohne dass benutzerdefinierte Integrationen erstellt werden oder Daten verschoben werden müssen. Separate Tools, komplexe Codezeilen oder ML-Erfahrung sind ebenfalls nicht notwendig.

ML für Datenbankentwickler und Business-Analysten wird dadurch benutzerfreundlicher und einfacher zugänglich, da komplexe ML-Vorhersagen über SQL-Abfragen und Dashboards leichter genutzt werden können. Jeder Entwickler oder Anwender der SQL kann, ist in der Lage Vorhersagen in Anwendungen ohne eigenen Code zu nutzen verwenden.

(ID:46277598)

Über den Autor

 Thomas Joos

Thomas Joos

Freiberuflicher Autor und Journalist