Oracle HeatWave AutoML은 머신러닝(ML) 관련 전문 지식, 데이터 이동, 추가 비용 없이 ML 모델을 구축, 학습, 설명할 수 있는, 통합 및 자동화된 안전한 ML 도구를 제공합니다. MySQL HeatWave Lakehouse는 Oracle Cloud Infrastructure(OCI), Amazon Web Services(AWS), Microsoft Azure에서 사용 가능합니다.
HeatWave 포트폴리오의 다양한 활용 방식을 직접 확인해 보세요.
HeatWave의 평가 또는 시작을 지원하는 무료 전문가 워크숍을 신청해 보세요.
Nucleus Research의 분석가 보고서에 따르면, HeatWave를 사용하는 여러 기업을 인터뷰한 결과 하이브리드 OLTP/OLAP 쿼리가 100배 향상되는 등 상당한 운영상의 개선 효과가 있었던 것으로 나타났습니다.
통합 ML을 사용하면 복잡하고 시간이 많이 소요되는 별도의 ML 서비스로의 데이터 이동이 필요없어집니다. MySQL Database 또는 객체 스토리지에 저장된 데이터에 ML 훈련, 추론, 설명을 간단히 적용할 수 있습니다.
알고리즘 선택, 모델 훈련을 위한 지능형 데이터 샘플링, 기능 선택, 하이퍼파라미터 최적화 등의 ML 수명 주기 관리를 자동화해 보세요. ML 관련 전문 지식이 없는 사용자도 간단히 사용할 수 있습니다.
단일 보안 구성 및 중앙화된 액세스 제어를 통해 모든 데이터를 단일 데이터 관리 시스템에 보관할 수 있습니다. 모든 통신은 인증되고 암호화됩니다.
ML 모델을 빠르게 훈련시킬 수 있으므로 모델을 보다 자주 재교육하고, 더욱 정확한 결과를 도출할 수 있습니다.
HeatWave AutoML은 텍스트 열을 포함한 이상 감지, 예측, 분류, 회귀, 추천 시스템 작업을 지원합니다.
HeatWave AutoML 추천 시스템은 암시적 피드백(과거 구매 및 검색 행동 등)과 명시적 피드백(평점 및 좋아요 등)을 모두 고려해 개인화된 구매 제안을 생성합니다.
HeatWave AutoML로 훈련시킨 모든 모델은 설명 가능합니다. HeatWave AutoML은 결과에 대한 설명과 예측을 함께 제공해 신뢰, 공정성, 규제 준수를 지원합니다.
데이터 분석가는 데이터 드리프트 감지 기능으로 학습에 사용된 데이터와 새로 입력되는 데이터 간의 차이를 감지해 모델을 재훈련시킬 시기를 결정할 수 있습니다.
비즈니스 분석가는 대화형 콘솔의 시각적 인터페이스를 사용해 SQL 명령이나 코딩에 대한 지식 없이도 ML 모델을 구축, 교육, 실행, 설명할 수 있습니다. 또한 비즈니스적 가정을 평가하기 위한 가정(what-if) 시나리오를 간단히 살펴볼 수 있습니다.
HeatWave AutoML은 Jupyter, Apache Zeppelin 등의 인기 노트북과 통합되어 있습니다.
ML 전문 지식이 없는 비즈니스 분석가 및 개발자도 HeatWave AutoML을 사용해 고객 이탈을 예측할 수 있습니다. ML 수명 주기 관리가 자동화되고 데이터가 저장된 데이터베이스를 벗어나지 않으므로 보안 위험이 최소화됩니다. 모델 구축이 완료되면 고객 이탈 가능성을 예측할 수 있습니다.
사용자가 "고객 이탈을 예측하는 기능이 필요합니다"라는 사용 사례를 이야기합니다. 다음으로 사용자는 HeatWave AutoML의 자동화 기능을 활용해 해당 사례에 적합한 분류 머신러닝 모델을 간단히 구축할 수 있습니다. ML 모델 구축 작업이 완료되면 사용자는 "이 고객이 이탈할 가능성이 얼마나 될까요?"등의 질문을 입력하고 "이 고객이 이탈할 확률은 72%입니다"와 같은 답변을 도출할 수 있습니다.
ML 전문 지식이 없는 비즈니스 분석가 및 개발자도 HeatWave AutoML을 사용해 사기 거래를 감지할 수 있습니다. ML 수명 주기 관리가 자동화되고 데이터가 저장된 데이터베이스를 벗어나지 않으므로 보안 위험이 최소화됩니다. 모델 구축이 완료되면 거래와 관련된 사기 가능성을 예측할 수 있습니다.
사용자가 "사기 가능성이 있는 트랜잭션을 감지해야 합니다."라는 사용 사례를 이야기합니다. 다음으로 사용자는 HeatWave AutoML의 자동화 기능을 활용해 해당 사례에 적합한 이상 감지 머신러닝 모델을 간단히 구축할 수 있습니다. ML 구축이 완료되면 사용자는 해당 모델을 사용해 "이 거래 중 사기일 가능성이 있는 거래는 무엇인가요?"라는 질문을 입력하고, "사기 가능성이 있는 것으로 확인된 거래 및 그 확률은 다음과 같습니다."라는 답변을 도출할 수 있습니다.
개발자는 HeatWave에 내장된 ML과 생성형 AI의 기능을 함께 활용해 개인화된 제안을 제공하는 애플리케이션을 구축할 수 있습니다. 이 예시에서는 애플리케이션이 HeatWave AutoML 추천 시스템을 사용해 사용자의 선호도 또는 사용자의 과거 주문 이력을 기반으로 레스토랑을 추천해 줍니다. HeatWave Vector Store를 사용하면 PDF 형식의 레스토랑 메뉴를 추가적으로 검색해 고객이 선호할 만한 요리를 제안함으로써 더 큰 가치를 제공할 수 있습니다.
사용자가 HeatWave Chat을 통해 "오늘 추천하는 비건 요리는 무엇인가요?"라고 질문합니다. 첫째, HeatWave AutoML 추천 시스템은 사용자의 이전 구매 이력을 바탕으로 레스토랑 목록을 제안합니다. 그런 다음 HeatWave Vector Store는 저장된 레스토랑 메뉴를 바탕으로 LLM에 증강 프롬프트를 제공합니다. 이제 LLM은 자연어로 개인 맞춤형 요리를 추천할 수 있습니다.
"HeatWave는 최적의 머신러닝을 지원합니다. HeatWave는 HeatWave AutoML을 통해 가장 비용 효율적이고 자동화된 방식으로 데이터에 ML을 적용함으로써 ML 채택을 가속화하고 있습니다."
"인데이터베이스 HeatWave AutoML은 엔지니어링, 성능, 비용 측면에서 Redshift ML을 낡은 기술처럼 보이게 만듭니다."
"HeatWave AutoML에 내장된 자동화 기능은 고객이 ML을 더 간단히 사용할 수 있도록 지원하고, 결과적으로 데이터 과학자의 영역을 넘어 더 넓은 사용자층으로 ML을 확장시키는 데 기여할 것이라고 생각합니다."
"HeatWave AutoML을 사용하면 머신러닝을 대중화할 수 있습니다. HeatWave AutoML은 더욱 빠르고, 최신 데이터를 사용하고, 다른 클라우드 데이터베이스 서비스보다 비용 효율적인 솔루션입니다.
HeatWave AutoML의 간단한 시작을 지원하는 설명서를 살펴보세요.