Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris. Show
Dengan menggunakan machine learning Amazon Aurora dengan klaster Aurora MySQL DB, Anda dapat menggunakan Amazon Comprehend atau Amazon SageMaker atau keduanya, tergantung pada kebutuhan Anda. Amazon Comprehend dan SageMaker masing-masing mendukung kasus penggunaan pembelajaran mesin yang berbeda, sebagai berikut. Amazon Comprehend Amazon Comprehend adalah layanan pemrosesan bahasa alami terkelola (NLP) alami yang digunakan untuk mengekstraksi wawasan dari dokumen. Dengan Amazon Comprehend, Anda dapat menyimpulkan sentimen berdasarkan konten dokumen, dengan menganalisis entitas, frasa kunci, bahasa, dan fitur lainnya. Untuk mempelajari lebih lanjut, lihatApa itu Amazon Comprehend?di dalamPanduan Developer Amazon Comprehend. SageMakerAmazon SageMaker adalah layanan machine learning yang dikelola sepenuhnya. Ilmuwan data dan pengembang menggunakan Amazon SageMaker untuk membangun, melatih, dan menguji model pembelajaran mesin untuk berbagai tugas inferensi, seperti deteksi penipuan dan rekomendasi produk. Ketika model pembelajaran mesin siap digunakan dalam produksi, model ini dapat digunakan ke Amazon SageMaker lingkungan host. Untuk informasi selengkapnya, lihatApa yang itu Amazon SageMaker?di dalamAmazon SageMaker Panduan Pengembang. Menggunakan Amazon Comprehend dengan klaster Aurora DB Anda memiliki pengaturan awal yang lebih sedikit daripada menggunakan SageMaker. Jika Anda baru mengenal keduanyaAWSmachine learning dan untuk pembelajaran mesin Aurora, kami menyarankan Anda memulai dengan menjelajahi Amazon Comprehend. Pembelajaran mesin Aurora didukung secara tertentuWilayah AWSdan hanya untuk versi Aurora MySQL tertentu. Sebelum mencoba menyiapkan machine learning Aurora, periksa ketersediaan untuk versi MySQL Aurora dan Wilayah Anda. Untuk detailnya, lihat . Persyaratan untuk menggunakan pembelajaran mesin Aurora MySQLAWSlayanan machine learning adalah layanan terkelola yang disiapkan dan dijalankan di lingkungan produksinya sendiri. Pembelajaran mesin Aurora mendukung integrasi dengan Amazon Comprehend dan SageMaker. Sebelum mencoba mengatur klaster Aurora MySQL DB Anda untuk menggunakan machine learning Aurora, pastikan Anda memahami persyaratan dan prasyarat berikut. Prasyarat untuk machine learning AuroraAnda dapat meningkatkan klaster Aurora yang menjalankan versi Aurora MySQL yang lebih rendah ke versi yang lebih tinggi yang didukung jika Anda ingin menggunakan machine learning Aurora dengan klaster tersebut. Untuk informasi selengkapnya, lihat Pembaruan engine basis data untuk Amazon Aurora MySQL. Ketersediaan wilayah dan versiKetersediaan dan dukungan fitur bervariasi di seluruh versi khusus dari setiap mesin basis data Aurora, dan di seluruhWilayah AWS. Untuk informasi selengkapnya tentang ketersediaan versi dan Wilayah dengan Aurora MySQL dan pembelajaran mesin Aurora, lihat. Mengaktifkan machine learning AuroraMengaktifkan kapabilitas ML melibatkan langkah-langkah berikut:
Fitur yang didukung dan keterbatasan machine learning Aurora MySQLSaat menggunakan Aurora MySQL dengan machine learning Aurora, batasan berikut berlaku.
Mengatur klaster DB Aurora MySQL Anda yang menggunakan pembelajaran mesin Aurora MySQLSeperti disebutkan dalamMenggunakan pembelajaran mesin Amazon Aurora MySQLAmazon Comprehend dan SageMaker mendukung berbagai kasus penggunaan pembelajaran mesin. Dalam topik berikut, Anda dapat menemukan prosedur penyiapan terpisah untuk masing-masing layanan pembelajaran mesin Aurora ini. Mengatur klaster DB Aurora MySQL Anda agar menggunakan Amazon ComprehendPembelajaran Machine Learning Aurora bergantung padaAWS Identity and Access Managementperan dan kebijakan untuk memungkinkan klaster Aurora MySQL DB Anda mengakses dan menggunakan layanan Amazon Comprehend. Prosedur berikut secara otomatis membuat peran dan kebijakan IAM untuk klaster Anda sehingga dapat menggunakan Amazon Comprehend. Untuk mengatur klaster DB Aurora MySQL Anda agar menggunakan Amazon Comprehend
Integrasi IAM untuk Amazon Comprehend selesai. Lanjutkan menyiapkan klaster Aurora MySQL DB Anda untuk bekerja dengan Amazon Comprehend dengan memberikan akses ke pengguna database yang sesuai. Mengatur klaster DB Aurora MySQL Anda yang akan digunakan SageMakerProsedur berikut secara otomatis membuat peran dan kebijakan IAM untuk klaster Aurora MySQL DB Anda sehingga dapat digunakan SageMaker. Sebelum mencoba mengikuti prosedur ini, pastikan bahwa Anda memiliki SageMaker endpoint tersedia sehingga Anda dapat memasukkannya bila diperlukan. Biasanya, ilmuwan data di tim Anda akan melakukan pekerjaan untuk menghasilkan titik akhir yang dapat Anda gunakan dari klaster Aurora MySQL DB Anda. Anda dapat menemukan titik akhir seperti itu diSageMaker konsol. Di panel navigasi, bukaInferensimenu dan pilihTitik akhir. Pada gambar berikut, Anda dapat menemukan contoh. Untuk mengatur klaster DB Aurora MySQL Anda agar digunakan SageMaker
Pengaturan IAM sudah selesai. Lanjutkan mengatur klaster DB Aurora MySQL Anda agar berfungsi SageMaker dengan memberikan akses ke pengguna database yang sesuai. Jika Anda ingin menggunakan SageMaker model untuk pelatihan daripada menggunakan pra-dibangun SageMaker komponen, Anda juga perlu menambahkan bucket Amazon S3 ke klaster Aurora MySQL DB Anda, seperti yang diuraikan dalamyang mengikuti. Mengatur klaster DB Aurora MySQL Anda agar menggunakan Amazon S3 for SageMaker (Opsional)Untuk menggunakan SageMaker dengan model Anda sendiri daripada menggunakan komponen pra-dibangun yang disediakan oleh SageMakerAnda perlu menyiapkan bucket Amazon Simple Storage Service (Amazon S3) untuk klaster DB Aurora MySQL yang akan digunakan. Untuk informasi lebih lanjut tentang membuat bucket Amazon S3, lihatMembuat bucketdi dalamPanduan Pengguna Amazon Simple Storage Service. Untuk mengatur klaster DB Aurora MySQL Anda agar menggunakan bucket Amazon S3 SageMaker
Untuk informasi lebih lanjut tentang menggunakan bucket Amazon S3 dengan SageMaker, LihatTentukan Bucket Amazon S3 untuk Mengunggah Set Data Pelatihan dan Menyimpan Data Keluarandi dalamAmazon SageMaker Panduan Pengembang. Untuk mempelajari selengkapnya tentang bekerja dengan SageMaker, LihatMemulai dengan Amazon SageMaker Instans Notebookdi dalamAmazon SageMaker Panduan Pengembang. Memberikan akses pengguna basis data ke pembelajaran mesin Aurora AuroraAurora Machine Learning menyertakan fungsi bawaan untuk bekerja dengan Amazon Comprehend dan SageMaker. Pengguna database harus diberi izin untuk menjalankan fungsi bawaan ini. Cara Anda memberikan izin tergantung pada versi MySQL yang Anda gunakan untuk klaster Aurora MySQL DB Anda, seperti yang diuraikan dalam berikut ini. Bagaimana Anda melakukannya tergantung pada versi MySQL yang digunakan cluster Aurora MySQL DB Anda.
Dalam tabel berikut, Anda dapat menemukan peran atau hak istimewa yang dibutuhkan pengguna database untuk bekerja dengan Amazon Comprehend dan SageMaker fungsi. Aurora MySQL 3 (MySQL 8.0) (peran)Aurora MySQL 2 (MySQL 5.7) (hak istimewa) AWS_COMPREHEND_ACCESS INVOKUSI AWS_SAGEMAKER_AKSES MEMANGGIL SAGEMAKER Memberikan akses ke fungsi Amazon ComprehendUntuk memberi pengguna database akses ke fungsi Amazon Comprehend, gunakan pernyataan yang sesuai untuk versi MySQL Aurora Anda.
Fungsi Amazon Comprehend sekarang tersedia untuk digunakan. Untuk contoh penggunaan, lihat. Memberikan akses ke SageMaker fungsiUntuk memberikan akses kepada pengguna database SageMaker fungsi, gunakan pernyataan yang sesuai untuk versi Aurora MySQL Anda.
Pengguna database juga perlu diberikan 4izin untuk fungsi yang Anda buat untuk bekerja dengan SageMaker. Misalkan Anda membuat dua fungsi, 5dan 6, untuk memohon layanan Anda SageMaker titik akhir. Anda memberikan mengeksekusi hak seperti yang ditunjukkan berikut.
Klaster SageMaker fungsi sekarang tersedia untuk digunakan. Untuk contoh penggunaan, lihat. Untuk Aurora MySQL, machine learning Aurora menyediakan dua fungsi bawaan berikut untuk bekerja dengan Amazon Comprehend dan data teks Anda. Anda menyediakan teks untuk dianalisis ( 7) dan tentukan bahasa ( 8).aws_comprehend_detect_sentiment Fungsi ini mengidentifikasi teks sebagai memiliki postur emosional positif, negatif, netral, atau campuran. Dokumentasi referensi fungsi ini adalah sebagai berikut.
Untuk mempelajari lebih lanjut, lihatSentimendi dalamPanduan Developer Amazon Comprehend. aws_comprehend_detect_sentiment_confidenceFungsi ini mengukur tingkat kepercayaan sentimen yang terdeteksi untuk teks tertentu. Ia mengembalikan nilai (type, 9) yang menunjukkan kepercayaan sentimen yang ditetapkan oleh fungsi aws_comprehend_detect_sentiment ke teks. Keyakinan adalah metrik statistik antara 0 dan 1. Makin tinggi tingkat kepercayaan diri, makin berat badan yang bisa Anda berikan hasilnya. Ringkasan dokumentasi fungsi adalah sebagai berikut.
Dalam kedua fungsi (aws_comprehend_detect_sentiment_confidence, aws_comprehend_detect_sentiment) 0menggunakan nilai default 25 jika tidak ada yang ditentukan. Ukuran Batch harus selalu lebih besar dari 0. Anda dapat menggunakan 0untuk menyetel kinerja dari panggilan fungsi Amazon Comprehend. Ukuran batch yang besar menukar kinerja yang lebih cepat untuk penggunaan memori yang lebih besar pada klaster DB Aurora MySQL. Untuk informasi selengkapnya, lihat .Untuk informasi selengkapnya tentang parameter dan tipe pengembalian untuk fungsi deteksi sentimen di Amazon Comprehend, lihatDetectSentiment contoh Contoh: Kueri sederhana menggunakan fungsi Amazon Comprehend Berikut adalah contoh kueri sederhana yang memanggil kedua fungsi ini untuk melihat betapa bahagianya pelanggan Anda dengan tim dukungan Anda. Misalkan Anda memiliki tabel database ( 2) yang menyimpan umpan balik pelanggan setelah setiap permintaan bantuan. Contoh query ini berlaku baik built-in fungsi untuk teks di 3kolom tabel dan output hasil. Nilai kepercayaan yang dikembalikan oleh fungsi tersebut adalah ganda antara 0,0 dan 1,0. Untuk output lebih mudah dibaca, query ini putaran hasil untuk 6 poin desimal. Untuk perbandingan yang lebih mudah, kueri ini juga mengurutkan hasil dalam urutan menurun, dari hasil yang memiliki tingkat kepercayaan tertinggi, pertama.
contoh Contoh: Menentukan sentimen rata-rata untuk teks di atas tingkat kepercayaan tertentu Kueri Amazon Comprehend biasanya mencari baris di mana sentimennya adalah nilai tertentu, dengan tingkat kepercayaan yang lebih besar dari angka tertentu. Misalnya, kueri berikut ini memperlihatkan bagaimana Anda bisa menentukan sentimen rata-rata dokumen di basis data Anda. Kueri hanya mempertimbangkan dokumen dengan tingkat kepercayaan penilaian minimal 80%.
Menggunakan SageMaker dengan klaster DB Aurora MySQLUntuk menggunakan SageMaker fungsionalitas dari cluster Aurora MySQL DB Anda, Anda perlu membuat fungsi tersimpan yang menyematkan panggilan Anda ke SageMaker endpoint dan fitur inferensinya. Anda melakukannya dengan menggunakan MySQL 4secara umum dengan cara yang sama yang Anda lakukan untuk tugas pemrosesan lainnya di klaster Aurora MySQL DB Anda. Dengan kata lain, Anda membuat fungsi yang ditentukan pengguna menggunakan pernyataan bahasa definisi data (DDL) MySQL yang sudah dikenal untuk fungsi yang disimpan.Untuk menggunakan model yang digunakan di SageMaker untuk inferensi, Anda membuat fungsi yang ditentukan pengguna menggunakan pernyataan bahasa definisi data (DDL) MySQL yang sudah dikenal untuk fungsi yang disimpan. Setiap fungsi yang disimpan mewakili SageMaker endpoint hosting model. Saat Anda mendefinisikan fungsi seperti itu, Anda menentukan parameter input ke model, yang spesifik SageMaker endpoint untuk memanggil, dan jenis kembali. Fungsi mengembalikan inferensi yang dihitung oleh titik akhir SageMaker setelah menerapkan model ke parameter input. Semua fungsi tersimpan pembelajaran mesin Aurora mengembalikan tipe numerik atau 5. Anda dapat menggunakan jenis numerik kecuali 6. Jenis lainnya, seperti 7, 8, 9, dan 0tidak diperbolehkan.Pada contoh berikut, Anda dapat menemukan pola sintaks untuk 4untuk bekerja dengan SageMaker. 0Ini adalah perpanjangan dari reguler 4Pernyataan DDL. Di 4pernyataan yang mendefinisikan SageMaker fungsi, Anda tidak menentukan fungsi tubuh. Sebagai gantinya, Anda menentukan kata kunci 4dimana fungsi tubuh biasanya pergi. Saat ini, pembelajaran mesin Aurora hanya mendukung 5untuk sintaks diperpanjang ini. Anda harus menentukan parameter 6. Sesi SageMaker endpoint dapat memiliki karakteristik yang berbeda untuk masing-masing model.Untuk informasi lebih lanjut tentang 4, LihatBUAT PROSEDUR dan CREATE PERNYATAAN FUNGSIdalam Manual Referensi MySQL 8.0.Parameter 0 bersifat opsional. Secara default, ukuran batch maksimum adalah 10.000. Anda dapat menggunakan parameter ini dalam fungsi Anda untuk membatasi jumlah maksimum input yang diproses dalam permintaan batch SageMaker. Parameter 0 dapat membantu menghindari kesalahan yang disebabkan oleh input yang terlalu besar, atau membuat SageMaker mengembalikan respons lebih cepat. Parameter ini memengaruhi ukuran buffer internal yang digunakan untuk SageMaker pemrosesan permintaan. Menentukan nilai yang terlalu besar untuk 0 dapat menyebabkan overhead memori yang besar pada instans DB Anda.Kami menyarankan Anda meninggalkan 1pengaturan pada nilai default dari 2. Meskipun Anda dapat menggunakan 3pilihan, beberapa SageMakerfitur tidak dapat langsung menggunakan CSV yang diekspor dengan opsi ini. Format manifes tidak kompatibel dengan format manifes yang diharapkan dari SageMaker.Anda membuat fungsi tersimpan terpisah untuk masing-masing fungsi tersimpan terpisah SageMaker model. Pemetaan fungsi ke model ini diperlukan karena titik akhir dikaitkan dengan model tertentu, dan setiap model menerima parameter yang berbeda. Menggunakan tipe SQL untuk input model dan tipe keluaran model membantu menghindari kesalahan konversi tipe yang meneruskan data bolak-balik antara layanan AWS. Anda dapat mengontrol siapa yang dapat menerapkan model tersebut. Anda juga dapat mengontrol karakteristik runtime dengan menentukan parameter yang mewakili ukuran batch maksimum. Saat ini, semua fungsi pembelajaran mesin Aurora memiliki 4properti. Jika Anda tidak menentukan properti itu secara eksplisit, Aurora menyetel 4 secara otomatis. Persyaratan ini karena SageMaker model dapat diubah tanpa pemberitahuan ke database. Jika itu terjadi, panggilan ke fungsi machine learning Aurora mungkin mengembalikan hasil yang berbeda untuk input yang sama dalam satu transaksi.Anda tidak dapat menggunakan karakteristik 6, 7, 8, atau 9 dalam pernyataan 4 Anda.Berikut adalah contoh penggunaan pemanggilan SageMaker endpoint untuk mendeteksi anomali. Ada SageMaker titik akhir 1. Model yang sesuai sudah dilatih oleh algoritma 2. Untuk setiap input, model mengembalikan skor anomali. Contoh ini menunjukkan poin data yang nilainya lebih besar dari 3 deviasi standar (kira-kira persentil ke-99,9) dari skor rata-rata. 1Persyaratan set karakter untuk SageMaker fungsi yang mengembalikan stringSebaiknya tentukan satu set karakter 3sebagai jenis kembali untuk Anda SageMakerfungsi yang mengembalikan nilai string. Jika itu tidak praktis, gunakan panjang string yang cukup besar untuk jenis kembalian untuk menampung nilai yang direpresentasikan dalam kumpulan karakter 3. Contoh berikut menunjukkan cara mendeklarasikan set karakter 3 untuk fungsi Anda. 2Saat ini, masing-masing SageMaker fungsi yang mengembalikan string menggunakan set karakter 3untuk nilai kembali. Nilai kembali menggunakan set karakter ini bahkan jika Anda SageMaker fungsi mendeklarasikan kumpulan karakter yang berbeda untuk tipe kembaliannya secara implisit atau eksplisit. Jika SageMaker fungsi mendeklarasikan kumpulan karakter yang berbeda untuk nilai yang dikembalikan, data yang dikembalikan mungkin akan dipotong secara diam-diam jika Anda menyimpannya di kolom tabel yang tidak cukup panjang. Misalnya, kueri dengan klausa 7 membuat tabel sementara. Jadi, SageMaker hasil fungsi mungkin terpotong karena cara string ditangani secara internal selama kueri.Mengekspor data ke Amazon S3 untuk SageMaker pelatihan model (Lanjutan)Kami menyarankan Anda memulai dengan pembelajaran mesin Aurora dan SageMaker dengan menggunakan beberapa algoritme yang disediakan, dan bahwa ilmuwan data di tim Anda memberi Anda SageMaker endpoint yang dapat Anda gunakan dengan kode SQL Anda. Berikut ini, Anda dapat menemukan informasi minimal tentang menggunakan bucket Amazon S3 Anda sendiri dengan Anda sendiri SageMaker model dan klaster DB Aurora MySQL Anda. Pembelajaran mesin terdiri dari dua langkah utama: pelatihan, dan inferensi. Untuk melatih SageMaker model, Anda mengekspor data ke bucket Amazon S3. Bucket Amazon S3 digunakan oleh Jupter SageMaker contoh notebook untuk melatih model Anda sebelum diterapkan. Anda dapat menggunakan pernyataan 8 untuk membuat kueri data dari klaster DB Aurora MySQL dan menyimpannya langsung ke dalam file teks yang disimpan di dalam bucket Amazon S3. Kemudian instans notebook menggunakan data dari bucket Amazon S3 untuk pelatihan.Pembelajaran Machine Learning Aurora memperluas yang ada 9sintaksis dalam Aurora MySQL untuk mengekspor data ke format CSV. file CSV yang dihasilkan dapat digunakan secara langsung oleh model yang memerlukan format ini untuk tujuan pelatihan. 3Ekstensi mendukung format CSV standar.
Sintaks dan tata bahasa 6 yang diperluas sekarang adalah sebagai berikut: 4Pertimbangan kinerja untuk menggunakan pembelajaran mesin Aurora MySQLAmazon Comprehend dan SageMaker layanan melakukan sebagian besar pekerjaan ketika dipanggil oleh fungsi pembelajaran mesin Aurora. Itu berarti Anda dapat menskalakan sumber daya tersebut sesuai kebutuhan, secara mandiri. Untuk klaster Aurora MySQL DB Anda, Anda dapat membuat panggilan fungsi Anda seefisien mungkin. Setelah itu, Anda dapat menemukan beberapa pertimbangan kinerja yang perlu diperhatikan saat bekerja dengan pembelajaran mesin Aurora. Cache kueriCache kueri Aurora MySQL tidak berfungsi untuk fungsi machine learning Aurora. Aurora MySQL tidak menyimpan hasil kueri di cache kueri untuk pernyataan SQL apa pun yang memanggil fungsi machine learning Aurora. Optimalisasi Batch untuk panggilan fungsi machine learning AuroraAspek kinerja machine learning Aurora utama yang dapat Anda pengaruhi dari klaster Aurora adalah pengaturan mode batch untuk panggilan ke fungsi tersimpan machine learning Aurora. Fungsi machine learning biasanya membutuhkan overhead yang besar, sehingga tidak praktis untuk memanggil layanan eksternal secara terpisah untuk setiap baris. Aurora Machine Learning dapat meminimalkan overhead ini dengan menggabungkan panggilan ke layanan machine learning Aurora eksternal untuk banyak baris ke dalam satu batch. Aurora Machine Learning menerima respons untuk semua baris input, dan mengirimkan respons, satu baris pada satu waktu, ke kueri saat dijalankan. Pengoptimalan ini meningkatkan throughput dan latensi kueri Aurora Anda tanpa mengubah hasil. Saat Anda membuat fungsi tersimpan Aurora yang terhubung ke SageMaker endpoint, Anda menentukan parameter ukuran batch. Parameter ini mempengaruhi berapa banyak baris ditransfer untuk setiap panggilan yang mendasari SageMaker. Untuk kueri yang memproses baris dalam jumlah besar, overhead untuk membuat terpisah SageMaker panggilan untuk setiap baris bisa sangat besar. Semakin besar kumpulan data yang diproses oleh prosedur tersimpan, semakin besar Anda dapat membuat ukuran batch. Jika pengoptimalan mode batch dapat diterapkan ke SageMaker fungsi, Anda dapat mengetahui dengan memeriksa rencana kueri yang dihasilkan oleh 7. Dalam kasus ini, kolom 8 dalam rencana eksekusi termasuk 9. Contoh berikut menunjukkan panggilan ke SageMakerfungsi yang menggunakan mode batch. 5Saat Anda memanggil salah satu fungsi Amazon Comprehend bawaan, Anda dapat mengontrol ukuran batch dengan menentukan parameter 0 opsional. parameternya membatasi jumlah maksimum nilai 1 yang diproses di setiap batch. Dengan mengirim beberapa item sekaligus, ini mengurangi jumlah perjalanan bolak-balik antara Aurora dan Amazon Comprehend. Membatasi ukuran batch berguna dalam situasi seperti kueri dengan klausa 2. Dengan menggunakan nilai kecil untuk 0, Anda dapat menghindari permintaan Amazon Comprehend lebih sering daripada Anda memiliki teks input.Optimalisasi batch untuk mengevaluasi fungsi machine learning Aurora berlaku dalam kasus berikut:
Memantau machine learning AuroraAnda dapat memantau operasi batch machine learning Aurora dengan menanyakan beberapa variabel global, seperti yang ditunjukkan berikut. 7Anda dapat mengatur ulang variabel status dengan menggunakan 1. Jadi, semua angka mewakili total, rata-rata, dan seterusnya, sejak terakhir kali variabel disetel ulang. 2Jumlah respons agregat yang diterima Aurora MySQL dari layanan machine learning Aurora di semua kueri yang dijalankan oleh pengguna instans DB. 3Jumlah permintaan agregat yang diterima Aurora MySQL dari layanan machine learning Aurora di semua kueri yang dijalankan oleh pengguna instans DB. 4Jumlah respons agregat yang diterima Aurora MySQL dari layanan machine learning Aurora di semua kueri yang dijalankan oleh pengguna instans DB. 5Jumlah klik cache internal gabungan yang diterima Aurora MySQL dari layanan machine learning Aurora di semua kueri yang dijalankan oleh pengguna instans DB. 6Jumlah agregat dari fungsi machine learning Aurora yang dievaluasi oleh mode non-batch di semua kueri yang dijalankan oleh pengguna instans DB. Untuk informasi tentang pemantauan kinerja SageMaker operasi yang disebut dari fungsi pembelajaran mesin Aurora, lihatMemiilih Amazon SageMaker . Bagaimana cara kerja dari MySQL?Cara kerja MySQL. MySQL membuat database yang dapat memodifikasi, menyimpan data, dan menentukan keterkaitan tabel-tabel yang ada di dalam software.. Kemudian, perangkat pengguna membuat request dengan perintah spesifik menggunakan bahasa SQL.. Terakhir, server akan menerima dan menjalankan perintah.. Mengenal apa itu MySQL?MySQL adalah sistem manajemen database relasional (RDBMS) open-source berbasis SQL yang bekerja dengan model client-server. Kalau DBMS adalah sistem manajemen database secara umum, RDBMS merupakan software pengelolaan database berdasarkan model relasional.
MySQL masuk ke dalam jenis apa?Seperti yang sudah disinggung di atas, MySQL masuk ke dalam jenis RDBMS (Relational Database Management System). Maka dari itu, istilah semacam baris, kolom, tabel, dipakai pada MySQL. Contohnya di dalam MySQL sebuah database terdapat satu atau beberapa tabel.
Apa saja kelemahan dari MySQL server?4. Kekurangan MySQL. Kurang mampu untuk mengelola database dalam jumlah besar.. Tidak begitu cocok untuk aplikasi game dan mobile.. Karena bersifat open source, technical support nya menjadi kurang bagus.. |