甲骨文MySQL HeatWave強化AutoML功能，增加自動化機器學習用例支持

甲骨文（Oracle）數據倉庫分析工具MySQL HeatWave更新，除了強化自動機器學習（AutoML）功能，增加支持的機器學習用例，同時也擴展MySQL HeatWave的多云支持。

HeatWave是甲骨文的高性能MySQL查詢工具，使用戶能夠快速地查詢存儲在MySQL數據庫的資料，而HeatWave原本就有提供內置在數據庫中的原生機器學習服務，能夠直接執(zhí)行機器學習訓練、推理和解釋資料，提供自動訓練回歸、分類和單變量時間串行預測模型。

而本次MySQL HeatWave的新功能，甲骨文擴展HeatWave AutoML生命周期自動化，新支持多變量時間串行預測、非監(jiān)督異常偵測和推薦系統(tǒng)，資料分析師可以不需要專業(yè)人員協助，就能以互動式控制臺，構建、訓練、執(zhí)行和解釋這些機器學習模型。

多變量時間串行預測是以過去多變量時間串行，預測未來資料變化的一種方法，像是可用于創(chuàng)建模型，預測冬季用電需求等，多變量時間串行有多種可用的預測算法，而挑選適合的算法并非一件簡單的工作，現在MySQL HeatWave所提供的AutoML，能夠預處理資料，并且自動選擇最適合的機器學習模型算法，還能自動調校模型。

官方提到，他們在自動化預測工作管線中，使用由高端時間串行預處理、算法選擇和超參數調校等多階段組成的專利技術，使得用戶可以不需要專業(yè)統(tǒng)計人員，就可以完成多變量時間串行預測。

MySQL HeatWave新支持的無監(jiān)督異常偵測，則可讓用戶能夠簡單地從未標記的資料集中，偵測不同類型的異常，官方解釋，有多種算法都能夠用于偵測資料異常，但是通常只能偵測特定類型的資料，因此當用戶不知道資料集中存在哪些異常資料，算法可能無法正確運行。

而MySQL HeatWave所生成的模型，能夠針對各類型的資料異常，執(zhí)行高精確度預測，而且該過程完全自動化，分析師不需要選擇算法、特征，也不用擔心超參數的數值。另外，MySQL HeatWave中的推薦系統(tǒng)現在也完全自動化，算法、特征和超參數優(yōu)化都不需要用戶決定。

甲骨文改進了在MySQL HeatWave與AWS服務的集成，MySQL HeatWave可在AWS上原生運行，并且提供S3優(yōu)化存儲層，當MySQL資料要加載至HeatWave時，系統(tǒng)會將資料復制到S3擴展資料管理層，好處是當需要資料恢復，重新加載資料到HeatWave時，多個HeatWave節(jié)點可以平行訪問資料，這大幅加速資料恢復速度和服務可用性，使得原本4 TB的HeatWave集群從S3恢復只要3.5分鐘，比從MySQL重新加載資料需時140分鐘要快上許多。

MySQL HeatWave控制臺開始支持MySQL自動形狀預測（Autopilot Auto-shape Prediction），該機器學習功能將會即時監(jiān)控OLTP工作負載，預測應用程序的執(zhí)行狀況和性能需求，根據歷史性能分析趨勢，像是吞吐量、緩沖區(qū)命中率，自動推薦適合的數據庫形狀。數據庫的形狀指得是數據庫執(zhí)行實例的配置，包括CPU、內存和存儲空間等。