Oracle kündigt HeatWave ML an MySQL-Anwendungen kostengünstig um ML-Funktionen erweitern

Von Martin Hensel

Mit HeatWave ML hat Oracle eine Machine-Learning-Erweiterung für MySQL-Anwendungen vorgestellt. Sie ermöglicht die vollständige Automatisierung von Modelltraining, Inferenz und Erläuterung.

Anbieter zum Thema

Oracle hat HeatWave ML für MySQL-Datenbanken vorgestellt.
Oracle hat HeatWave ML für MySQL-Datenbanken vorgestellt.
(Bild: Oracle)

Laut Oracle ist MySQL HeatWave ML der einzige Cloud-Datenbankservice, der Machine-Learning-Funktionen innerhalb von Datenbanken im Zusammenspiel mit Transaktionsverarbeitung und -analyse ermöglicht. HeatWave ML automatisiert den ML-Lebenszyklus vollständig und speichert alle trainierten Modelle in der MySQL-Datenbank. Dadurch müssen weder Daten noch das Modell in ein externes Tool oder zu einem externen Dienst verschoben werden. Diese native Integration eliminiert den sonst dafür üblichen ETL-Prozess („Extract, Transform, Load“).

HeatWave ML automatisiert zudem den Trainingsprozess vollständig und erstellt ein Modell mit dem besten Algorithmus, optimalen Merkmalen und bestmöglichen Hyperparametern für bestimmte Datensets oder spezifische Aufgaben. Alle auf diese Weise erzeugten Modelle können Erläuterungen zu Modellen und Vorhersagen liefern. Laut Oracle trainiert HeatWave ML Modelle etwa 25-mal schneller als Redshift ML zu einem Prozent der Kosten. Der Performancevorteil wächst demnach, wenn Modelltrainings in größeren HeatWave-Clustern durchgeführt werden. Durch die schnelle Verarbeitung können Oracle-Kunden ihre Modelle häufiger nachtrainieren und mit Datenänderungen besser Schritt halten. Dies führt letztlich zu aktuelleren und genaueren Vorhersagen.

Funktionen im Überblick

Grundsätzlich bietet HeatWave ML ein vollständig automatisiertes Modelltraining, das in allen Phasen keine Intervention durch Entwickler benötigt. Manuelle Eingaben sind demnach nicht erforderlich. HeatWave ML integriert im Rahmen des Modelltrainings sowohl Erläuterungen zu Modellen als auch zur Vorhersage. Dadurch können alle Modelle sowohl Modell- als auch Inferenzerklärungen anbieten, ohne dazu entsprechende Trainingsdaten zu benötigen. Oracle hat HeatWave ML zudem mit einem auf Gradientensuche basierenden Reduktionsalgorithmus für die Hyperparameteroptimierung ausgestattet. Somit lässt sich die Hyperparametersuche parallel ausführen, ohne die Modellgenauigkeit zu beeinträchtigen.

HeatWave ML verwendet das Konzept von Proxy-Modellen, um den besten Algorithmus für das Training zu ermitteln. Dadurch ist die Algorithmenauswahl effizient und ohne Genauigkeitsverlust möglich. Intelligentes Data Sampling testet während des Modelltrainings einen kleinen Teil der Daten, um die Performance zu verbessern. Eine Funktion zur Auswahl von Merkmalen erlaubt zudem die Bestimmung von Attributen, die das Verhalten des Machine-Learning-Modells für Vorhersagen beeinflussen. Weitere Funktionen umfassen Echtzeit-Elastizität für die nahtlose Skalierung, Datenkomprimierung sowie eine Pause-and-Resume-Möglichkeit, um HeatWave ML anzuhalten und später fortzusetzen.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

(ID:48187443)