HeatWave Özellikleri
HeatWave
HeatWave bellek içi, büyük ölçüde paralel, hibrit sütunlu bir veri işleme motorudur. Çok yüksek performans sağlayan dağıtık sorgu işleme için son teknoloji algoritmalar uygular.
Büyük ölçek ve performans için tasarlandı
HeatWave, verileri paralel olarak çalıştırılabilen bir düğüm kümesi boyunca büyük ölçüde bölümlere ayırır. Bu, mükemmel bölgeler arası ölçeklenebilirlik sağlar. Bir küme içindeki her bir düğüm ve bir düğüm içindeki her bir çekirdek, bölümlenmiş verileri paralel olarak işleyebilir. HeatWave, binlerce çekirdekte çok yüksek ölçeklenebilirlik elde etmek için hesaplamayı ağ iletişim görevleriyle örtüştüren akıllı bir sorgu zamanlayıcısına sahiptir.
Bulut ve nesne depolamadaki veriler için optimize edilmiştir
HeatWave'de sorgu işleme, buluttaki emtia sunucuları için optimize edilmiştir. Bölümlerin boyutları, altta yatan şekillerin önbelleğine uyacak şekilde optimize edilmiştir. Hesaplama ile iletişimin örtüşmesi, mevcut ağ bant genişliği için optimize edilmiştir. Çeşitli analitik işleme ilkelleri, altta yatan sanal makinelerin (VM'ler) donanım talimatlarını kullanır. HeatWave ayrıca nesne depolamadaki verileri sorgulamak için optimize edilmiş, ölçeği genişletilebilen bir veri işleme motoru olacak şekilde tasarlanmıştır.
HeatWave GenAI
Oracle HeatWave GenAI, veritabanı içi büyük dil modelleri (LLM'ler), otomatik, veritabanı içi vektör deposu, ölçek genişletme vektör işleme ve doğal dilde bağlamsal konuşmalara sahip olma kabiliyeti ile entegre ve otomatikleştirilmiş güvenli üretken yapay zeka sağlayarak yapay zeka uzmanlığı, veri hareketi veya ek maliyet olmaksızın üretken yapay zekadan yararlanmanızı sağlar.
Veritabanı içi LLM'ler
Yerleşik LLM'leri tüm Oracle Cloud Infrastructure (OCI) bölgelerinde, OCI Dedicated Region, Oracle Alloy'da, Oracle Alloy'da, Amazon Web Services'de (AWS) ve Microsoft Azure'da kullanın ve dağıtımlar arasında öngörülebilir performansla tutarlı sonuçlar elde edin. GPU sağlama ihtiyacını ortadan kaldırarak altyapı maliyetlerini düşürmeye yardımcı olun.
OCI Generative AI ve Amazon Bedrock ile entegre
OCI üzerinde HeatWave GenAI'ı ve AWS üzerinde HeatWave GenAI'ı kullanırken OCI Generative AI hizmeti üzerinden Cohere ve Meta'nın önceden eğitilmiş temel modellerine erişin.
Veritabanı içi vektör deposu
Verileri ayrı bir vektör veritabanına taşımadan daha doğru ve bağlamla ilgili yanıtlar almak için LLM'ler ve tescilli belgeleriniz arasında HeatWave Vector Store'da bulunan çeşitli formatlarda alma artırılmış oluşturma (RAG) gerçekleştirin.
Otomatik gömme oluşturma
HeatWave Vector Store'daki özel belgelerin keşfedilmesine ve alınmasına yardımcı olmak için otomatikleştirilmiş işlem hattından yararlanarak yapay zeka uzmanlığı olmayan geliştiricilerin ve analistlerin vektör deposunu kullanmasını kolaylaştırın.
Ölçeklenebilir vektör işleme
Vektör işleme, 512 HeatWave küme düğümüne kadar paralel hale getirilir ve bellek bant genişliğinde yürütülür. Böylece doğruluk kaybı olasılığını azaltarak hızlı sonuçlar elde edilmesine yardımcı olur.
HeatWave Chat
Yapılandırılmamış dokümanlarınız tarafından bağlamsal konuşmaları doğal dil kullanarak nesne depolamada yapın. Entegre Lakehouse Navigator'ı kullanarak LLM'lerin belirli veri kümelerinde arama yapmasına yardımcı olun ve daha doğru sonuçları daha hızlı elde ederken maliyetleri azaltın.
HeatWave MySQL
HeatWave MySQL şifreleme, veri maskeleme, kimlik doğrulama ve veritabanı güvenlik duvarı için gelişmiş güvenlik özellikleri ile MySQL Enterprise Edition üzerinde oluşturulmuş tek bulut hizmetidir ve tamamen yönetilen bir veritabanı hizmetidir. HeatWave, MySQL sorgu performansını büyüklük sıralarına göre iyileştirir ve MySQL konumundaki işlem verileriniz üzerinde ayrı bir analitik veritabanına ayıklama, dönüştürme ve yükleme (ETL) çoğaltma işleminin karmaşıklığı, gecikmesi, riskleri ve maliyeti olmadan gerçek zamanlı analitik elde etmenize olanak tanır.
ETL olmadan gerçek zamanlı analitik
Analitik sorgular en güncel bilgilere erişir, çünkü işlemlerden gelen güncellemeler HeatWave analitik kümesine gerçek zamanlı olarak otomatik olarak çoğaltılır. Analitik sorguları çalıştırmadan önce verileri indekslemeye gerek yoktur. Karmaşık, zaman alıcı ve maliyetli ETL sürecini ve ayrı bir analitik veritabanıyla entegrasyonu ortadan kaldırabilirsiniz.
HeatWave Lakehouse
HeatWave Yapılandırılmış veri gölü, kullanıcıların CSV, Parquet, Avro, JSON gibi çeşitli dosya formatlarında nesne depolama alanında yarım petabaytlık verileri sorgulamasına ve dosyaları diğer veritabanlarından dışa aktarmasına olanak tanır. Sorgu işlemenin tamamen HeatWave motorunda yapılması, müşterilerin MySQL uyumlu iş yüklerine ek olarak MySQL dışı iş yükleri için de HeatWave'den yararlanmalarını sağlar.
Tüm veriler üzerinde hızlı göl evi analitiği ve makine öğrenimi
Müşteriler, standart SQL komutlarını kullanarak nesne depolamadaki çeşitli formatlardaki verileri, MySQL veritabanlarındaki işlemsel verileri veya her ikisinin bir kombinasyonunu sorgulayabilir. Nesne depolama alanındaki verileri sorgulamak, 10 TB TPC-H karşılaştırmalı değerlendirmesi ile gösterildiği gibi, veritabanlarını sorgulamak kadar hızlıdır.
HeatWave AutoML ile müşteriler, verileri ayrı bir ML bulut hizmetine taşımadan ML modellerini otomatik olarak oluşturmak, eğitmek, dağıtmak ve açıklamak için nesne depolamadaki, veritabanındaki veya her ikisindeki verileri kullanabilir.
Veri yönetimi ve sorgu işleme için ölçeklenebilir mimari
HeatWave'in büyük ölçüde bölümlere ayrılmış mimarisi, HeatWave Lakehouse için ölçeklenebilir bir mimari sağlar. Sorgu işleme ve veri yükleme/yeniden yükleme gibi veri yönetimi işlemleri, veri boyutuyla birlikte ölçeklenir. Müşteriler, HeatWave Lakehouse ile nesne depolama alanındaki yarım petabayta kadar veriyi MySQL veritabanına kopyalamadan sorgulayabilir. HeatWave kümesi 512 düğüme kadar ölçeklenebilir.
Makine öğrenimi destekli otomasyon ile performansı artırın ve zamandan tasarruf edin
HeatWave Lakehouse için otomatik provizyon, otomatik sorgu planı iyileştirme ve otomatik paralel yükleme gibi HeatWave Autopilot özellikleri geliştirilerek veritabanı yönetim yükü daha da azaltılmış ve performans iyileştirilmiştir. HeatWave Lakehouse için yeni HeatWave Autopilot özellikleri de mevcuttur.
- Otomatik şema çıkarımı, CSV dahil olmak üzere desteklenen tüm dosya türleri için dosya verilerinin ilgili şema tanımıyla eşlenmesini otomatik olarak çıkarır. Sonuç olarak, müşterilerin dosyaların şema eşlemesini manuel olarak tanımlaması ve güncellemesi gerekmez, bu da zamandan ve emekten tasarruf sağlar.
- Uyarlanabilir veri örnekleme, HeatWave Autopilot tarafından otomasyon için tahminler yapmak üzere kullanılan bilgileri türetmek için nesne depolama alanındaki dosyaları akıllı bir şekilde örnekler. Uyarlanabilir veri örneklemesi kullanan HeatWave Autopilot, 400 TB'lık bir dosyayı bir dakikadan kısa bir sürede tarayabilir ve şema eşlemesi gibi tahminlerde bulunabilir.
- Uyarlanabilir veri akışı, HeatWave Lakehouse'un genel performansı, fiyat-performansı ve kullanılabilirliği iyileştirmek için herhangi bir bölgedeki temel nesne deposunun performansına dinamik olarak uyum sağlamasına olanak tanır.
HeatWave AutoML
HeatWave AutoML, kullanıcıların HeatWave içinde makine öğrenimi modelleri oluşturmak, eğitmek ve açıklamak için ihtiyaç duydukları her şeyi hiçbir ek ücret ödemeden içerir.
Ayrı bir makine öğrenimi hizmetine gerek yok
HeatWave içindeki veritabanı içi makine öğrenimi ile müşterilerin verileri ayrı bir makine öğrenimi hizmetine taşıması gerekmez. HeatWave Lakehouse ile hem MySQL içinde hem de nesne deposunda depolanan verilere makine öğrenimi eğitimini, çıkarımını ve açıklamasını kolayca ve güvenli bir şekilde uygulayabilirler. Sonuç olarak, makine öğrenimi girişimlerini hızlandırabilir, güvenliği artırabilir ve maliyetleri düşürebilir.
Makine öğrenimi yaşam döngüsü otomasyonu zaman ve emek tasarrufu sağlar
HeatWave AutoML, algoritma seçimi, model eğitimi için akıllı veri örneklemesi, özellik seçimi ve hiperparametre optimizasyonu dahil olmak üzere makine öğrenimi yaşam döngüsünü otomatikleştirerek veri analistlerine ve veri bilimcilerine önemli ölçüde zaman ve emek tasarrufu sağlar. Algoritma seçimi, özellik seçimi ve hiperparametre optimizasyonu dahil olmak üzere makine öğrenimi işlem hattının yönleri özelleştirilebilir. HeatWave AutoML, metin sütunları da dahil olmak üzere anomali tespiti, tahmin, sınıflandırma, regresyon ve tavsiye sistemi görevlerini destekler. Kullanıcılar, denetlenmeyen anormallik algılama sonuçları hakkında geri bildirim sağlayabilir ve bu etiketli verileri kullanarak sonraki tahminleri iyileştirebilir.
Kişiselleştirilmiş öneriler için tavsiye sistemi
HeatWave AutoML tavsiye sistemi, hem örtük geri bildirimleri (geçmiş satın alımlar, tarama davranışları vb.) hem de açık geri bildirimleri (derecelendirmeler, beğeniler vb.) dikkate alarak kişiselleştirilmiş tavsiyeler oluşturabilir. Örneğin analistler, bir kullanıcının beğeneceği öğeleri, belirli bir öğeyi beğenecek kullanıcıları ve öğelerin alacağı puanları tahmin edebilir. Ayrıca, bir kullanıcı verildiğinde benzer kullanıcıların bir listesini ve belirli bir öğe verildiğinde benzer öğelerin bir listesini elde edebilir.
İnteraktif HeatWave AutoML konsolu
Etkileşimli konsol, iş analistlerinin SQL komutları veya herhangi bir kodlama kullanmadan görsel bir arayüz kullanarak ML modelleri oluşturmasına, eğitmesine, çalıştırmasına ve açıklamasına olanak tanır. Konsol ayrıca iş varsayımlarını değerlendirmek için ne olursa senaryolarını keşfetmeyi kolaylaştırır - örneğin, "Ücretli sosyal medya reklamcılığına %30 daha fazla yatırım yapmak hem geliri hem de kârı nasıl etkiler?"
Açıklanabilir makine öğrenimi modelleri
HeatWave AutoML tarafından eğitilen tüm modeller açıklanabilir. HeatWave AutoML, sonuçların bir açıklamasıyla birlikte tahminler sunarak kuruluşlara mevzuata uygunluk, adalet, tekrarlanabilirlik, nedensellik ve güven konularında yardımcı olur.
Konu modelleme ve veri kayması algılama
Konu modelleme, kullanıcıların dokümanlardaki temel temaları anlamalarına yardımcı olarak (örneğin, sosyal medya verilerindeki duygu analizini tamamlamak için) büyük metin veri kümelerindeki içgörüleri keşfetmelerine yardımcı olur. Veri kayması algılama, eğitim için kullanılan veriler ile yeni gelen veriler arasındaki farkları tespit ederek analistlerin modellerin ne zaman yeniden eğitileceğini belirlemesine yardımcı olur.
Mevcut becerileri kullanın
Geliştiriciler ve veri analistleri tanıdık SQL komutlarını kullanarak makine öğrenimi modelleri oluşturabilir; yeni araçlar ve diller öğrenmeleri gerekmez. Ayrıca HeatWave AutoML, Jupyter ve Apache Zeppelin gibi popüler not defterleri ile entegre edilmiştir.
HeatWave Autopilot
HeatWave Autopilot, iş yüküne duyarlı, makine öğrenimi destekli otomasyon sağlar. Veritabanı ayarlama uzmanlığı gerektirmeden performansı ve ölçeklenebilirliği artırır, geliştiricilerin ve DBA'ların üretkenliğini artırır ve insan hatalarını ortadan kaldırmaya yardımcı olur. HeatWave Autopilot, sağlama, veri yükleme, sorgu yürütme ve hata işleme dahil olmak üzere ölçekte yüksek sorgu performansı elde etmenin en önemli ve genellikle zorlu yönlerinin çoğunu otomatikleştirir. HeatWave Autopilot, HeatWave MySQL müşterileri için ücretsiz olarak kullanılabilir.
HeatWave Autopilot, hem HeatWave hem de OLTP için aşağıdakiler de dahil olmak üzere çok sayıda yetenek sağlar
- Otomatik provizyon, analizin gerekli olduğu tablo verilerinin uyarlanabilir örneklemesini yaparak bir iş yükünü çalıştırmak için gereken HeatWave düğümlerinin sayısını tahmin eder. Bu, geliştiricilerin ve DBA'ların artık kümelerinin optimum boyutunu manuel olarak tahmin etmelerine gerek olmadığı anlamına gelir.
- Otomatik iş parçacığı havuza alma veritabanı hizmetinin belirli bir donanım yapılandırması için daha fazla işlem gerçekleştirmesini sağlayarak OLTP iş yükleri için daha yüksek verim sunar ve yüksek işlem ve eşzamanlılık seviyelerinde düşmesini önler.
- Otomatik şekil tahmini OLTP iş yükünü, verim ve tampon havuzu isabet oranı da dahil olmak üzere sürekli olarak izleyerek herhangi bir zamanda doğru bilgi işlem şeklini önerir ve müşterilerin her zaman en iyi fiyat-performansı elde etmesini sağlar.
- Otomatik kodlama sorguları dikkate alarak HeatWave'e yüklenen sütunların en uygun temsilini belirler. Bu optimum temsil en iyi sorgu performansını sağlar ve maliyetleri en aza indirmek için kümenin boyutunu en aza indirir.
- Otomatik sorgu planı iyileştirme sorguların yürütülmesinden çeşitli istatistikler öğrenir ve gelecekteki sorguların yürütme planını geliştirir. Bu, daha fazla sorgu çalıştırıldıkça sistemin performansını artırır.
- Uyarlanabilir sorgu optimizasyonu sorgu yürütme başladıktan sonra veri yapılarını ve sistem kaynaklarını ayarlamak için çeşitli istatistikler kullanır; çalışma zamanındaki gerçek veri dağılımına göre her düğüm için sorgu yürütmeyi bağımsız olarak optimize eder. Bu, geçici sorguların performansını %25'e kadar artırmaya yardımcı olur.
- Otomatik veri yerleştirme Sorgularda en iyi performansı elde etmek için tabloların bellekte bölümlenmesi gereken sütunu tahmin eder. Ayrıca, yeni sütun önerisi ile sorgu performansında beklenen kazancı da tahmin eder. Bu, operatörlerin sütunu manuel olarak seçerken yapabilecekleri optimal olmayan seçimler nedeniyle düğümler arasındaki veri hareketini en aza indirir.
- Otomatik sıkıştırma, her sütun için en uygun sıkıştırma algoritmasını belirler, bu da daha hızlı veri sıkıştırma ve açma ile yük ve sorgu performansını artırır. Müşteriler bellek kullanımını azaltarak maliyetleri %25'e kadar düşürebilir.
- Dizin oluşturma, bireysel uygulama iş yüklerine dayalı bir tahmin yapmak için makine öğrenimini kullanarak müşterilerin OLTP verimliliğini optimize etmek için tablolarından oluşturmaları veya bırakmaları gereken dizinleri otomatik olarak belirler. Bu, müşterilerin OLTP iş yükleri için optimum dizinler oluşturmaya yönelik zaman alan görevlerini ortadan kaldırmasına ve iş yükleri değiştikçe bunları zaman içinde muhafaza etmesine yardımcı olur.
Gerçek zamanlı esneklik
Gerçek zamanlı esneklik, müşterilerin HeatWave kümelerinin boyutunu herhangi bir kesinti veya salt okunurluk süresine maruz kalmadan istedikleri sayıda düğümle artırmalarına veya azaltmalarına olanak tanır.
En yoğun zamanlarda bile tutarlı yüksek performans ve kesinti olmadan daha düşük maliyet
Yeniden boyutlandırma işlemi yalnızca birkaç dakika sürer ve bu süre zarfında HeatWave çevrimiçi kalır ve tüm işlemler için kullanılabilir. Veriler yeniden boyutlandırıldıktan sonra nesne depolamadan indirilir, mevcut tüm küme düğümleri arasında otomatik olarak yeniden dengelenir ve sorgular için hemen kullanılabilir hale gelir. Sonuç olarak, müşteriler yoğun zamanlarda bile sürekli yüksek performanstan, uygun durumlarda HeatWave kümelerini küçülterek, kapalı kalma süresi veya salt okunur süresi yaşanmadan yararlanır.
Nesne depolamadan verimli veri yeniden yükleme sayesinde müşteriler maliyetleri azaltmak için HeatWave kümelerini duraklatıp devam ettirebilir.
Aşırı provizyonlanan örnek yok
Müşteriler HeatWave kümelerini istedikleri sayıda düğüme genişletebilir veya azaltabilir. Diğer bulut veritabanı sağlayıcıları tarafından sunulan katı boyutlandırma modelleri tarafından zorlanan aşırı provizyonlu ve maliyetli örneklerle kısıtlanmaz. HeatWave ile müşteriler yalnızca kullandıkları kaynaklar için ödeme yapar.
Genel bulutlarda ve veri merkezinizde kullanılabilir
HeatWave dosyasını OCI, AWS veya Azure'da devreye alabilirsiniz. Bulutta neredeyse gerçek zamanlı analitik ve süreç vektörü verileri almak için şirket içi OLTP uygulamalarından HeatWave adresine veri çoğaltabilirsiniz. HeatWave dosyasını OCI Dedicated Region ile veri merkezinizde de kullanabilirsiniz.
AWS'de HeatWave, AWS müşterileri için yerel bir deneyim sunar. Konsol, kontrol düzlemi ve veri düzlemi AWS'de bulunur.