Amazon Redshift機器學習功能正式推出

現(xiàn)在用戶可以直接在AWS云計算數(shù)據(jù)倉庫Amazon Redshift中，以SQL指令創(chuàng)建機器學習模型。這項稱作Redshift ML的功能，讓用戶可以使用SQL語法，查詢訓練資料以及指定預測的輸出值，不需要麻煩地人工移動資料，就能快速啟動機器學習模型訓練流程?，F(xiàn)在Redshift ML已經(jīng)在美東、美西、歐洲和南美上線，而亞太則在香港、東京與雪梨地區(qū)提供。

Amazon Redshift是AWS的云計算數(shù)據(jù)倉庫服務，供用戶以SQL跨數(shù)據(jù)倉庫、運營數(shù)據(jù)庫和資料湖等EB級存儲，對結構化和半結構化資料進行查詢，AWS提到，當用戶要使用這些資料，訓練機器學習模型時，需要將資料從Amazon Redshift導出到對象存儲S3存儲桶中，并且配置像是Amazon SageMaker服務，來啟動機器學習訓練流程，這個過程繁瑣且需要多項技能，通常要集結多人才能完成。

為了簡化使用Amazon Redshift資料，進行機器學習運算的麻煩，AWS在Redshift加入機器學習功能，供用戶直接從Redshift集群創(chuàng)建、訓練和部署機器學習模型，通過SQL指令創(chuàng)建模型后，Redshift ML會自動將資料從Redshift導出至S3存儲桶，并且調用SageMaker Autopilot來準備資料，進行預處理和特征工程。接著會選擇適當?shù)念A構建算法，并在資料上使用該算法以訓練模型，當然，用戶也能選擇使用特定的算法。

Redshift ML功能自動處理了Redshift、S3和SageMaker之間的所有交互操作，包括訓練和編譯涉及到的所有步驟。在模型訓練完成后，Redshift ML還會使用SageMaker Neo來優(yōu)化模型進行部署，并且以SQL函數(shù)的形式，來提供機器學習運算，因此用戶就能夠使用SQL函數(shù)，將機器學習模型用于查詢、報告和儀表板上的資料。

另外，用戶可以導入SageMaker模型到Redshift集群中，執(zhí)行本地端推理，也能夠創(chuàng)建在既有SageMaker端點執(zhí)行遠程推理的SQL函數(shù)，不過，在后者的模式，Redshift ML將會進行批處理，以加速處理速度。