部落格
May, 01, 2023
HeatWave強化AutoML功能，機器學習與用例支援再進化
撰文/ 緯謙科技
2023 MySQL Summit Day 在3月份於美國登場，會中Oracle甲骨文宣布即將更新資料倉儲工具MySQL HeatWave AutoML功能，並增加支援的機器學習用例，我們特別彙整此次更新重點：
多變數時間序列預測 (Multi-variate time series forecasting)
MySQL HeatWave AutoML的多變數時間序列預測功能更新為時間序列分析帶來了顯著的革新。該功能允許自動預測多個按時間排序的變數，適用於複雜的預測任務，如能源發電中考慮各種能源的冬季用電需求。
在分析時間序列時，利用時間相依性和內部結構（如季節性、趨勢和殘差）是至關重要的。傳統上，選擇最適合不同特性的時間序列預測演算法需要專業的統計師，而MySQL HeatWave AutoML的新功能則消除了這一需求。這項更新的獨特之處在於其自動化程度。AutoML會自動預處理資料，選擇最佳機器學習演算法，並自動調整模型的超參數。這意味著用戶無需深入了解複雜的時間序列分析技術，即可輕鬆應對預測模型的建立和調整。
由於自動化功能，用戶能夠節省大量時間和精力，不再需要雇用高度訓練有素的統計師。整個預測過程變得更加高效，同時適用於廣泛的應用場景。總體而言，MySQL HeatWave AutoML的多變數時間序列預測功能更新為數據科學家提供了一個強大、易用的解決方案，使他們能夠更迅速地進行複雜預測任務，並推動數據分析的應用範疇擴展。
在分析時間序列時，利用時間相依性和內部結構（如季節性、趨勢和殘差）是至關重要的。傳統上，選擇最適合不同特性的時間序列預測演算法需要專業的統計師，而MySQL HeatWave AutoML的新功能則消除了這一需求。這項更新的獨特之處在於其自動化程度。AutoML會自動預處理資料，選擇最佳機器學習演算法，並自動調整模型的超參數。這意味著用戶無需深入了解複雜的時間序列分析技術，即可輕鬆應對預測模型的建立和調整。
由於自動化功能，用戶能夠節省大量時間和精力，不再需要雇用高度訓練有素的統計師。整個預測過程變得更加高效，同時適用於廣泛的應用場景。總體而言，MySQL HeatWave AutoML的多變數時間序列預測功能更新為數據科學家提供了一個強大、易用的解決方案，使他們能夠更迅速地進行複雜預測任務，並推動數據分析的應用範疇擴展。
非監督異常偵測 (Unsupervised anomaly detection)
MySQL HeatWave 迎來了全新的異常檢測功能，為數據分析領域帶來了嶄新的可能性。異常檢測是數據挖掘中的一項重要任務，其目的在於發現數據中的不尋常模式。這項功能引入了一種創新的非監督式簡約集成算法，無需採用隨機化方法，即可高效檢測金融詐騙、網路入侵和危及生命醫療狀況等異常。這種創新的算法在非監督異常檢測基準（Unsupervised Anomaly Detection Benchmark, UADB）數據集上展現出卓越性能，甚至勝過了一些廣泛應用的算法，如 k-th Nearest Neighbor（kNN）和 Local Outlier Factor（LOF）。
HeatWave AutoML 所生成的模型具有卓越的準確性，能夠預測本地、叢集和全域等各類型異常。而這一過程是完全自動化的，無需數據分析師手動挑選算法或調整參數，即可在未標記的數據集中識別這三種類型的異常。
MySQL HeatWave 這項創新的異常檢測功能，為用戶提供極大的便利，同時節省大量時間和精力。用戶無需深入了解複雜的時間序列分析技術，即可輕鬆應對異常模式的檢測，拓展了數據分析的應用範圍。
HeatWave AutoML 所生成的模型具有卓越的準確性，能夠預測本地、叢集和全域等各類型異常。而這一過程是完全自動化的，無需數據分析師手動挑選算法或調整參數，即可在未標記的數據集中識別這三種類型的異常。
MySQL HeatWave 這項創新的異常檢測功能，為用戶提供極大的便利，同時節省大量時間和精力。用戶無需深入了解複雜的時間序列分析技術，即可輕鬆應對異常模式的檢測，拓展了數據分析的應用範圍。
推薦系統 (Recommender systems)
該系統可基於用戶的搜尋活動和歷史行為提供個性化建議，推薦系統為客戶全面自動化了整個過程，包括演算法選擇、特徵選擇和超參數優化，節省了數據分析師大量的時間和精力。
使用 MySQL HeatWave，用戶只需調用 ML_TRAIN procedure，系統將自動訓練模型，將其儲存在 MODEL_CATALOG 中。為了進行推薦預測，用戶可以輕鬆調用 ML_PREDICT_ROW 或 ML_PREDICT_TABLE。這種全自動化的流程使得用戶無需深入了解複雜的機器學習技術，即可輕鬆建立並應用推薦模型。
使用 MySQL HeatWave，用戶只需調用 ML_TRAIN procedure，系統將自動訓練模型，將其儲存在 MODEL_CATALOG 中。為了進行推薦預測，用戶可以輕鬆調用 ML_PREDICT_ROW 或 ML_PREDICT_TABLE。這種全自動化的流程使得用戶無需深入了解複雜的機器學習技術，即可輕鬆建立並應用推薦模型。
互動式 MySQL HeatWave AutoML 主控台
MySQL HeatWave 提供的全新的互動式控制台為業務分析師提供了更便捷且直觀的方式，讓他們能夠在不使用SQL命令或任何編碼的情況下建立、訓練、運行和解釋機器學習模型。這一創新的工具使得機器學習的應用變得更加便利，無需深入了解複雜的技術。
此外，互動式控制台還提供了探索假設情景的功能，用戶能夠輕鬆地進行“What-if”分析，評估不同的業務假設對於收入、利潤等指標的影響。這使得業務分析師能夠更靈活地調整模型參數，以更好地適應實際業務需求。
此外，互動式控制台還提供了探索假設情景的功能，用戶能夠輕鬆地進行“What-if”分析，評估不同的業務假設對於收入、利潤等指標的影響。這使得業務分析師能夠更靈活地調整模型參數，以更好地適應實際業務需求。
圖片來源：Oracle MySQL Blog