甲骨文推出MySQL HeatWave ML，新增機器學習功能

甲骨文宣布，Oracle MySQL HeatWave 除了支援交易處理和分析之外，現在也支援資料庫機器學習 (ML)。這是目前唯一提供此功能的 MySQL雲端資料庫服務。HeatWave ML 可完全自動化ML生命週期，並將所有經過訓練的模型儲存在 MySQL 資料庫中，無須將資料或模型移轉至ML工具或服務。消除擷取、變換及載入 (ETL) 流程可降低應用程式的複雜性及成本，並提升資料和模型的安全性。

HeatWave ML 包含在所有 37個 Oracle Cloud Infrastructure (OCI) 區域的 MySQL HeatWave 資料庫雲端服務中。相較於其他雲端資料庫服務，HeatWave ML 提供以下功能：全自動化模型訓練、 模型和推論解釋、超參數調整、演算法選擇、智慧資料抽樣，以及功能選擇。

目前為止，為 MySQL 應用程式添加機器學習功能對於許多開發人員來說非常困難且耗時。首先，需要將資料從資料庫擷取到另一個系統，以建立與部署ML模型。透過此方式，將機器學習應用於應用程式資料時會建立多個孤島，並隨著資料移動而出現延遲。同時也導致資料庫中資料的擴散，使其安全性更容易受到威脅，並增加了開發人員在多個環境中編程的複雜性。其次，現有服務期望開發人員為指導 ML模型訓練過程的專家，否則模型是次佳的，並會降低預測的準確性。最後，大多數現有的 ML解決方案不包含解釋功能，説明開發人員建置的模型為何能提供特定預測。

MySQL HeatWave ML 透過在 MySQL 資料庫中原生整合機器學習功能來解決這些問題，無須要將資料擷取、變換及載入到另一個服務。HeatWave ML 可完全自動化訓練過程，並為指定資料集和特定作業建立具有最佳演算法、最佳功能以及最佳超參數的模型。同時，HeatWave ML 產生的所有模型都可以提供模型和預測說明。 

甲骨文發布的 ML 基準是針對眾多公開存取的機器學習分類與迴歸資料集 (例如 Numerai、Nomao 及 Bank Marketing等) 執行。在較大的 HeatWave 叢集上進行訓練時，更能顯現 HeatWave ML 相較於Redshift ML在性能上的優勢。訓練是一個耗時的過程，由於使用 MySQL HeatWave 可以非常高效和快速地完成，客戶現在可以更頻繁地重新訓練模型，並且隨時掌握資料的變更。這樣一來，模型可保持在最新狀態，並提升預測的準確性。  

除了機器學習功能之外，甲骨文還為 MySQL HeatWave 服務推出了更多創新功能。即時彈性功能可讓客戶將 HeatWave 叢集擴展或縮小至任意數目的節點，無須任何停機時間或唯讀時間，也無須手動重新平衡叢集；資料壓縮功能可讓客戶在每個節點多處理 2 倍的資料量，並降低近 50% 的成本，同時保持相同的性價比；而新增的暫停與恢復功能則可讓客戶暫停 HeatWave，以節省成本。恢復時，MySQL Autopilot 所需的資料和統計資料都會自動重新載入 HeatWave 中。