search

Cara menggunakan mode function in mysql

1 years ago
Komentar: 0
Dibaca: 132

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.

SageMaker

Amazon 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 MySQL

AWSlayanan 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 Aurora

Anda 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 versi

Ketersediaan 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 Aurora

Mengaktifkan kapabilitas ML melibatkan langkah-langkah berikut:

  • Amazon Comprehend dan SageMaker layanan harus berjalan dalamWilayah AWSsebagai klaster DB Aurora MySQL. Anda tidak dapat menggunakan Amazon Comprehend atau SageMaker layanan dari klaster DB Aurora MySQL di Region yang berbeda.

  • Jika klaster DB Aurora MySQL Anda berada di Virtual Public Cloud (VPC) virtual yang berbeda berdasarkan layanan Amazon VPC dari Amazon Comprehend dan SageMaker layanan, grup Keamanan VPC perlu mengizinkan koneksi keluar ke layanan machine learning Aurora target. Untuk informasi selengkapnya, lihat Mengaktifkan komunikasi jaringan dari Amazon Aurora MySQL ke layanan AWS lainnya.

  • Klaster DB DB Aurora MySQL Anda perlu menggunakan grup parameter klaster DB kustom. Di akhir proses penyiapan untuk setiap layanan machine learning Aurora yang ingin Anda gunakan, Anda menambahkan Amazon Resource Name (ARN) dari peran IAM terkait yang dibuat untuk layanan. Kami menyarankan Anda membuat grup parameter klaster DB khusus untuk Aurora MySQL Anda terlebih dahulu dan mengonfigurasi klaster Aurora MySQL DB Anda untuk menggunakannya sehingga siap untuk Anda modifikasi di akhir proses penyiapan.

  • Untuk SageMaker, komponen pembelajaran mesin yang ingin Anda gunakan untuk kesimpulan harus diatur dan siap digunakan. Selama proses konfigurasi klaster DB Aurora MySQL Anda, Anda harus memiliki Amazon Resource Name (ARN) dari SageMaker endpoint tersedia. Ilmuwan data di tim Anda kemungkinan paling mampu menangani bekerja sama SageMaker untuk mempersiapkan model dan menangani tugas-tugas lain seperti. Untuk memulai dengan Amazon SageMaker, LihatMemulai dengan Amazon SageMaker. Untuk informasi lebih lanjut tentang kesimpulan dan titik akhir, lihatInferensi waktu nyata.

  • Untuk menggunakan SageMaker dengan data latihan Anda sendiri, Anda perlu menyiapkan bucket Amazon Simple Storage Service (Amazon S3) sebagai bagian dari konfigurasi Aurora MySQL Anda untuk machine learning Aurora. Untuk melakukannya, Anda mengikuti proses umum yang sama seperti mengatur SageMaker integrasi. Untuk rangkuman proses penyiapan opsional ini, lihat.

  • Untuk database global Aurora, Anda menyiapkan layanan machine learning Aurora yang ingin Anda gunakan di semuaWilayah AWSyang membentuk basis data global Aurora Anda. Misalnya, jika Anda ingin menggunakan pembelajaran mesin Aurora dengan SageMaker untuk database global Aurora Anda, Anda melakukan hal berikut untuk setiap klaster Aurora MySQL DB di setiapWilayah AWS.

    Tugas-tugas ini mengharuskan pembelajaran mesin Aurora tersedia untuk versi Aurora MySQL AndaWilayah AWSyang membentuk basis data global Aurora Anda.

Fitur yang didukung dan keterbatasan machine learning Aurora MySQL

Saat menggunakan Aurora MySQL dengan machine learning Aurora, batasan berikut berlaku.

  • Didukung SageMaker format algoritme- Aurora MySQL mendukung SageMaker endpoint yang membaca dan menulis format nilai yang dipisahkan dengan koma (CSV), melalui

    GRANT AWS_COMPREHEND_ACCESS TO user@domain-or-ip-address
    8dari
    GRANT AWS_COMPREHEND_ACCESS TO user@domain-or-ip-address
    9. Saat ini, format ini diterima oleh bawaan berikut SageMaker algoritme.

    • Peserta linier

    • Forest Pemotongan Acak

    • XGBoost

    Untuk mempelajari lebih lanjut tentang algoritme ini, lihatPilih algoritmedi dalamAmazon SageMaker Panduan Pengembang.

  • Keterbatasan fungsi tersimpan Aurora MySQL- Fungsi pembelajaran mesin Aurora tidak kompatibel dengan format log biner (binlog). Ini memengaruhi integrasi pembelajaran mesin Aurora Anda sebagai berikut.

    • Fungsi tersimpan yang memanggil tabel dengan kolom yang dihasilkan-selalu tidak didukung. Hal ini berlaku untuk setiap fungsi Aurora MySQL disimpan. Untuk mempelajari lebih lanjut tentang jenis kolom ini, lihatBUAT TABEL dan Kolom yang Dihasilkandalam dokumentasi MySQL.

    • Pengaturan 

      GRANT INVOKE COMPREHEND ON *.* TO user@domain-or-ip-address
      0 memunculkan pengecualian untuk panggilan ke fungsi Aurora machine learning. Fungsi machine learning Aurora bersifat nondeterministik, dan fungsi tersimpan nondeterministik tidak kompatibel dengan format binlog.

    Untuk informasi lebih lanjut tentang format binlog, lihatFormat Logging binerdalam dokumentasi MySQL.

Mengatur klaster DB Aurora MySQL Anda yang menggunakan pembelajaran mesin Aurora MySQL

Seperti 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 Comprehend

Pembelajaran 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

  1. Masuk ke AWS Management Console dan buka konsol Amazon RDS di https://console.aws.amazon.com/rds/.

  2. PilihDatabasedari menu navigasi Amazon RDS lalu pilih klaster DB Aurora MySQL yang ingin Anda sambungkan ke layanan Amazon Comprehend.

  3. Pilih tab Konektivitas dan keamanan.

  4. Gulir keMengelola peran IAMbagian, dan kemudian pilihPilih layanan untuk terhubung ke klaster ini. PilihAmazon Comprehenddari pemilih, dan kemudian pilihConnect layanan.

    Cara menggunakan mode function in mysql

  5. KlasterConnect klaster ke Amazon Comprehenddialog tidak memerlukan informasi tambahan. Namun, Anda mungkin melihat pesan yang memberi tahu Anda bahwa integrasi antara Aurora dan Amazon Comprehend saat ini sedang dalam pratinjau. Pastikan untuk membaca pesan sebelum melanjutkan. Anda dapat memilih Batal jika Anda memilih untuk tidak melanjutkan.

  6. PilihConnect layananuntuk menyelesaikan proses integrasi.

    Aurora menciptakan peran IAM. Ini juga membuat kebijakan yang memungkinkan Aurora MySQL untuk menggunakan layanan Amazon Comprehend dan melampirkan kebijakan ke peran tersebut. Ketika proses selesai, Anda dapat menemukan peran dalamPeran IAM saat ini untuk klaster inidaftar seperti yang ditunjukkan pada citra berikut.

    Cara menggunakan mode function in mysql

    Anda perlu menambahkan ARN peran IAM ini ke

    GRANT INVOKE COMPREHEND ON *.* TO user@domain-or-ip-address
    1parameter klaster DB Aurora MySQL. Jika klaster Aurora MySQL DB Anda tidak menggunakan grup parameter klaster DB kustom, Anda perlu membuatnya untuk digunakan dengan klaster Aurora MySQL DB Anda untuk menyelesaikan integrasi. Untuk informasi selengkapnya, lihat Bekerja dengan grup parameter klaster DB.

    Setelah membuat grup parameter klaster DB kustom dan mengaitkannya dengan klaster Aurora MySQL DB, Anda dapat melanjutkan mengikuti langkah-langkah ini.

    Jika klaster DB kustom klaster DB DB kustom, lakukan hal berikut.

    1. Di Amazon RDS Console, bukaKonfigurasitab klaster DB Aurora MySQL.

    2. Temukan grup parameter klaster DB yang dikonfigurasi untuk klaster Anda, dan pilih tautan untuk membuka grup parameter klaster DB kustom Anda. Pilih Edit parameter.

    3. Temukan

      GRANT INVOKE COMPREHEND ON *.* TO user@domain-or-ip-address
      1parameter dalam grup parameter klaster DB kustom.

    4. Di bidang Value (Nilai), masukkan ARN IAM role.

    5. PilihSimpan perubahanuntuk menyimpan pengaturan. Pada gambar berikut, Anda dapat menemukan contoh.

      Cara menggunakan mode function in mysql

    Reboot instance utama cluster Aurora MySQL DB Anda sehingga pengaturan parameter ini berlaku.

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 SageMaker

Prosedur 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.

Cara menggunakan mode function in mysql

Untuk mengatur klaster DB Aurora MySQL Anda agar digunakan SageMaker

  1. Masuk ke AWS Management Console dan buka konsol Amazon RDS di https://console.aws.amazon.com/rds/.

  2. PilihDatabasedari menu navigasi Amazon RDS lalu pilih klaster DB Aurora MySQL DB yang ingin Anda sambungkan SageMaker layanan.

  3. PilihKonektivitas & keamanantab

  4. Gulir keMengelola peran IAMbagian, dan kemudian pilihPilih layanan untuk terhubung ke klaster ini. PilihSageMakerdari pemilih.

    Cara menggunakan mode function in mysql

  5. Pilih Hubungkan layanan.

  6. DiConnect klaster ke SageMakerdialog, masukkan Amazon Resource Name (ARN) dari SageMaker titik akhir.

    Cara menggunakan mode function in mysql

  7. Aurora menciptakan peran IAM. Ini juga membuat kebijakan yang memungkinkan Aurora MySQL untuk digunakan SageMaker layanan dan melampirkan kebijakan pada peran tersebut. Ketika proses selesai, Anda dapat menemukan peran dalamPeran IAM saat ini untuk klaster iniDaftar.

  8. Buka konsol IAM di https://console.aws.amazon.com/iam/.

  9. PilihPerandari bagian Manajemen akses dariAWS Identity and Access Managementmenu navigasi.

  10. Temukan peran dari antara yang terdaftar. Namanya menggunakan pola berikut.

    rds-sagemaker-your-cluster-name-role-auto-generated-digits

  11. Buka halaman Ringkasan peran dan cari ARN. Perhatikan ARN atau salin menggunakan widget salin.

  12. Buka konsol Amazon RDS di https://console.aws.amazon.com/rds/.

  13. Pilih klaster DB Aurora MySQL Anda, lalu pilih klaster DB Aurora MySQL.Konfigurasitab.

  14. Temukan grup parameter klaster DB, lalu pilih tautan untuk membuka grup parameter klaster DB kustom Anda. Temukan

    GRANT INVOKE COMPREHEND ON *.* TO user@domain-or-ip-address
    3parameter dan masukkan ARN peran IAM di bidang Nilai dan Simpan pengaturan.

  15. Reboot instance utama cluster Aurora MySQL DB Anda sehingga pengaturan parameter ini berlaku.

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

  1. Masuk ke AWS Management Console dan buka konsol Amazon RDS di https://console.aws.amazon.com/rds/.

  2. PilihDatabasedari menu navigasi Amazon RDS lalu pilih klaster DB Aurora MySQL DB yang ingin Anda sambungkan SageMaker layanan.

  3. Pilih tab Konektivitas dan keamanan.

  4. Gulir keMengelola peran IAMbagian, dan kemudian pilihPilih layanan untuk terhubung ke klaster ini. PilihAmazon S3dari pemilih.

    Cara menggunakan mode function in mysql

  5. Pilih Hubungkan layanan.

  6. DiConnect klaster ke Amazon S3dialog, masukkan Amazon Resource Name (ARN) dari bucket Amazon S3, seperti yang ditunjukkan pada gambar berikut.

    Cara menggunakan mode function in mysql

  7. PilihConnect layananuntuk menyelesaikan proses ini.

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 Aurora

Aurora 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.

  • Untuk Aurora MySQL 3 (kompatibel dengan MySQL 8.0), pengguna database harus diberikan yang sesuaiperan basis data. Untuk informasi lebih lanjut tentang peran database MySQL 3, lihatMenggunakan perandalam Manual Referensi MySQL 8.0.

  • Untuk Aurora MySQL 2 (kompatibel dengan MySQL 5.7), pengguna database diberikanprivilese. Untuk informasi selengkapnya, lihatKontrol Akses dan Manajemen Akundalam Manual Referensi MySQL 5.7.

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 Comprehend

Untuk memberi pengguna database akses ke fungsi Amazon Comprehend, gunakan pernyataan yang sesuai untuk versi MySQL Aurora Anda.

  • Aurora MySQL versi 3 (kompatibel dengan MySQL 8.0)

    GRANT AWS_COMPREHEND_ACCESS TO user@domain-or-ip-address

  • Aurora MySQL versi 2 (kompatibel dengan MySQL 5.7)

    GRANT INVOKE COMPREHEND ON *.* TO user@domain-or-ip-address

Fungsi Amazon Comprehend sekarang tersedia untuk digunakan. Untuk contoh penggunaan, lihat.

Memberikan akses ke SageMaker fungsi

Untuk memberikan akses kepada pengguna database SageMaker fungsi, gunakan pernyataan yang sesuai untuk versi Aurora MySQL Anda.

  • Aurora MySQL versi 3 (kompatibel dengan MySQL 8.0)

    GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address

  • Aurora MySQL versi 2 (kompatibel dengan MySQL 5.7)

    GRANT INVOKE SAGEMAKER ON *.* TO user@domain-or-ip-address

Pengguna database juga perlu diberikan

GRANT INVOKE COMPREHEND ON *.* TO user@domain-or-ip-address
4izin untuk fungsi yang Anda buat untuk bekerja dengan SageMaker. Misalkan Anda membuat dua fungsi,
GRANT INVOKE COMPREHEND ON *.* TO user@domain-or-ip-address
5dan
GRANT INVOKE COMPREHEND ON *.* TO user@domain-or-ip-address
6, untuk memohon layanan Anda SageMaker titik akhir. Anda memberikan mengeksekusi hak seperti yang ditunjukkan berikut.

GRANT EXECUTE ON FUNCTION db1.anomaly_score TO user1@domain-or-ip-address1
GRANT EXECUTE ON FUNCTION db2.company_forecasts TO user2@domain-or-ip-address2

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 (

GRANT INVOKE COMPREHEND ON *.* TO user@domain-or-ip-address
7) dan tentukan bahasa (
GRANT INVOKE COMPREHEND ON *.* TO user@domain-or-ip-address
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.

aws_comprehend_detect_sentiment(
  input_text,
  language_code
  [,max_batch_size]
)

Untuk mempelajari lebih lanjut, lihatSentimendi dalamPanduan Developer Amazon Comprehend.

aws_comprehend_detect_sentiment_confidence

Fungsi ini mengukur tingkat kepercayaan sentimen yang terdeteksi untuk teks tertentu. Ia mengembalikan nilai (type,

GRANT INVOKE COMPREHEND ON *.* TO user@domain-or-ip-address
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.

aws_comprehend_detect_sentiment_confidence(
  input_text,
  language_code
  [,max_batch_size]
)

Dalam kedua fungsi (aws_comprehend_detect_sentiment_confidence, aws_comprehend_detect_sentiment)

GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
0menggunakan nilai default 25 jika tidak ada yang ditentukan. Ukuran Batch harus selalu lebih besar dari 0. Anda dapat menggunakan
GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
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 (

GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
2) yang menyimpan umpan balik pelanggan setelah setiap permintaan bantuan. Contoh query ini berlaku baik built-in fungsi untuk teks di
GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
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.

SELECT feedback AS 'Customer feedback',
    aws_comprehend_detect_sentiment(feedback, 'en') AS Sentiment,
    ROUND(aws_comprehend_detect_sentiment_confidence(feedback, 'en'), 6)
    AS Confidence FROM support
    ORDER BY Confidence DESC;
+----------------------------------------------------------+-----------+------------+
| Customer feedback                                        | Sentiment | Confidence |
+----------------------------------------------------------+-----------+------------+
| Thank you for the excellent customer support!            | POSITIVE  |   0.999771 |
| The latest version of this product stinks!               | NEGATIVE  |   0.999184 |
| Your support team is just awesome! I am blown away.      | POSITIVE  |   0.997774 |
| Your product is too complex, but your support is great.  | MIXED     |   0.957958 |
| Your support tech helped me in fifteen minutes.          | POSITIVE  |   0.949491 |
| My problem was never resolved!                           | NEGATIVE  |   0.920644 |
| When will the new version of this product be released?   | NEUTRAL   |   0.902706 |
| I cannot stand that chatbot.                             | NEGATIVE  |   0.895219 |
| Your support tech talked down to me.                     | NEGATIVE  |   0.868598 |
| It took me way too long to get a real person.            | NEGATIVE  |   0.481805 |
+----------------------------------------------------------+-----------+------------+
 10 rows in set (0.1898 sec)

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%.

SELECT AVG(CASE aws_comprehend_detect_sentiment(productTable.document, 'en')
  WHEN 'POSITIVE' THEN 1.0
  WHEN 'NEGATIVE' THEN -1.0
  ELSE 0.0 END) AS avg_sentiment, COUNT(*) AS total
FROM productTable
WHERE productTable.productCode = 1302 AND
    aws_comprehend_detect_sentiment_confidence(productTable.document, 'en') >= 0.80;

Menggunakan SageMaker dengan klaster DB Aurora MySQL

Untuk 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

GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
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

GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
5. Anda dapat menggunakan jenis numerik kecuali 
GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
6. Jenis lainnya, seperti
GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
7,
GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
8,
GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
9, dan
GRANT INVOKE SAGEMAKER ON *.* TO user@domain-or-ip-address
0tidak diperbolehkan.

Pada contoh berikut, Anda dapat menemukan pola sintaks untuk

GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
4untuk bekerja dengan SageMaker.

GRANT AWS_COMPREHEND_ACCESS TO user@domain-or-ip-address
0

Ini adalah perpanjangan dari reguler

GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
4Pernyataan DDL. Di
GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
4pernyataan yang mendefinisikan SageMaker fungsi, Anda tidak menentukan fungsi tubuh. Sebagai gantinya, Anda menentukan kata kunci
GRANT INVOKE SAGEMAKER ON *.* TO user@domain-or-ip-address
4dimana fungsi tubuh biasanya pergi. Saat ini, pembelajaran mesin Aurora hanya mendukung
GRANT INVOKE SAGEMAKER ON *.* TO user@domain-or-ip-address
5untuk sintaks diperpanjang ini. Anda harus menentukan parameter 
GRANT INVOKE SAGEMAKER ON *.* TO user@domain-or-ip-address
6. Sesi SageMaker endpoint dapat memiliki karakteristik yang berbeda untuk masing-masing model.

Untuk informasi lebih lanjut tentang

GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
4, LihatBUAT PROSEDUR dan CREATE PERNYATAAN FUNGSIdalam Manual Referensi MySQL 8.0.

Parameter 

GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
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 
GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
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 
GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
0 dapat menyebabkan overhead memori yang besar pada instans DB Anda.

Kami menyarankan Anda meninggalkan

GRANT EXECUTE ON FUNCTION db1.anomaly_score TO user1@domain-or-ip-address1
GRANT EXECUTE ON FUNCTION db2.company_forecasts TO user2@domain-or-ip-address2
1pengaturan pada nilai default dari
GRANT EXECUTE ON FUNCTION db1.anomaly_score TO user1@domain-or-ip-address1
GRANT EXECUTE ON FUNCTION db2.company_forecasts TO user2@domain-or-ip-address2
2. Meskipun Anda dapat menggunakan
GRANT EXECUTE ON FUNCTION db1.anomaly_score TO user1@domain-or-ip-address1
GRANT EXECUTE ON FUNCTION db2.company_forecasts TO user2@domain-or-ip-address2
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

GRANT EXECUTE ON FUNCTION db1.anomaly_score TO user1@domain-or-ip-address1
GRANT EXECUTE ON FUNCTION db2.company_forecasts TO user2@domain-or-ip-address2
4properti. Jika Anda tidak menentukan properti itu secara eksplisit, Aurora menyetel 
GRANT EXECUTE ON FUNCTION db1.anomaly_score TO user1@domain-or-ip-address1
GRANT EXECUTE ON FUNCTION db2.company_forecasts TO user2@domain-or-ip-address2
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 

GRANT EXECUTE ON FUNCTION db1.anomaly_score TO user1@domain-or-ip-address1
GRANT EXECUTE ON FUNCTION db2.company_forecasts TO user2@domain-or-ip-address2
6, 
GRANT EXECUTE ON FUNCTION db1.anomaly_score TO user1@domain-or-ip-address1
GRANT EXECUTE ON FUNCTION db2.company_forecasts TO user2@domain-or-ip-address2
7, 
GRANT EXECUTE ON FUNCTION db1.anomaly_score TO user1@domain-or-ip-address1
GRANT EXECUTE ON FUNCTION db2.company_forecasts TO user2@domain-or-ip-address2
8, atau 
GRANT EXECUTE ON FUNCTION db1.anomaly_score TO user1@domain-or-ip-address1
GRANT EXECUTE ON FUNCTION db2.company_forecasts TO user2@domain-or-ip-address2
9 dalam pernyataan 
GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
4 Anda.

Berikut adalah contoh penggunaan pemanggilan SageMaker endpoint untuk mendeteksi anomali. Ada SageMaker titik akhir

aws_comprehend_detect_sentiment(
  input_text,
  language_code
  [,max_batch_size]
)
1. Model yang sesuai sudah dilatih oleh algoritma 
aws_comprehend_detect_sentiment(
  input_text,
  language_code
  [,max_batch_size]
)
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.

GRANT AWS_COMPREHEND_ACCESS TO user@domain-or-ip-address
1

Persyaratan set karakter untuk SageMaker fungsi yang mengembalikan string

Sebaiknya tentukan satu set karakter

aws_comprehend_detect_sentiment(
  input_text,
  language_code
  [,max_batch_size]
)
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 
aws_comprehend_detect_sentiment(
  input_text,
  language_code
  [,max_batch_size]
)
3. Contoh berikut menunjukkan cara mendeklarasikan set karakter 
aws_comprehend_detect_sentiment(
  input_text,
  language_code
  [,max_batch_size]
)
3 untuk fungsi Anda.

GRANT AWS_COMPREHEND_ACCESS TO user@domain-or-ip-address
2

Saat ini, masing-masing SageMaker fungsi yang mengembalikan string menggunakan set karakter

aws_comprehend_detect_sentiment(
  input_text,
  language_code
  [,max_batch_size]
)
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 
aws_comprehend_detect_sentiment(
  input_text,
  language_code
  [,max_batch_size]
)
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 

aws_comprehend_detect_sentiment(
  input_text,
  language_code
  [,max_batch_size]
)
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

aws_comprehend_detect_sentiment(
  input_text,
  language_code
  [,max_batch_size]
)
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.

GRANT AWS_COMPREHEND_ACCESS TO user@domain-or-ip-address
3

Ekstensi mendukung format CSV standar.

  • Format 

    GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
    9 sama dengan format ekspor MySQL yang ada. Ini adalah format default.

  • Format 

    aws_comprehend_detect_sentiment_confidence(
  input_text,
  language_code
  [,max_batch_size]
)
    1 adalah format yang baru diperkenalkan yang mengikuti spesifikasi di RFC-4180.

  • Jika Anda menentukan kata kunci opsional 

    aws_comprehend_detect_sentiment_confidence(
  input_text,
  language_code
  [,max_batch_size]
)
    2, file keluaran berisi satu baris header. Label di baris header sesuai dengan nama kolom dari pernyataan 
    aws_comprehend_detect_sentiment_confidence(
  input_text,
  language_code
  [,max_batch_size]
)
    3.

  • Anda masih dapat menggunakan kata kunci 

    aws_comprehend_detect_sentiment_confidence(
  input_text,
  language_code
  [,max_batch_size]
)
    1 dan 
    aws_comprehend_detect_sentiment_confidence(
  input_text,
  language_code
  [,max_batch_size]
)
    2 sebagai pengenal.

Sintaks dan tata bahasa 

aws_comprehend_detect_sentiment_confidence(
  input_text,
  language_code
  [,max_batch_size]
)
6 yang diperluas sekarang adalah sebagai berikut:

GRANT AWS_COMPREHEND_ACCESS TO user@domain-or-ip-address
4

Pertimbangan kinerja untuk menggunakan pembelajaran mesin Aurora MySQL

Amazon 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 kueri

Cache 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 Aurora

Aspek 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

aws_comprehend_detect_sentiment_confidence(
  input_text,
  language_code
  [,max_batch_size]
)
7. Dalam kasus ini, kolom 
aws_comprehend_detect_sentiment_confidence(
  input_text,
  language_code
  [,max_batch_size]
)
8 dalam rencana eksekusi termasuk 
aws_comprehend_detect_sentiment_confidence(
  input_text,
  language_code
  [,max_batch_size]
)
9. Contoh berikut menunjukkan panggilan ke SageMakerfungsi yang menggunakan mode batch.

GRANT AWS_COMPREHEND_ACCESS TO user@domain-or-ip-address
5

Saat Anda memanggil salah satu fungsi Amazon Comprehend bawaan, Anda dapat mengontrol ukuran batch dengan menentukan parameter 

GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
0 opsional. parameternya membatasi jumlah maksimum nilai 
SELECT feedback AS 'Customer feedback',
    aws_comprehend_detect_sentiment(feedback, 'en') AS Sentiment,
    ROUND(aws_comprehend_detect_sentiment_confidence(feedback, 'en'), 6)
    AS Confidence FROM support
    ORDER BY Confidence DESC;
+----------------------------------------------------------+-----------+------------+
| Customer feedback                                        | Sentiment | Confidence |
+----------------------------------------------------------+-----------+------------+
| Thank you for the excellent customer support!            | POSITIVE  |   0.999771 |
| The latest version of this product stinks!               | NEGATIVE  |   0.999184 |
| Your support team is just awesome! I am blown away.      | POSITIVE  |   0.997774 |
| Your product is too complex, but your support is great.  | MIXED     |   0.957958 |
| Your support tech helped me in fifteen minutes.          | POSITIVE  |   0.949491 |
| My problem was never resolved!                           | NEGATIVE  |   0.920644 |
| When will the new version of this product be released?   | NEUTRAL   |   0.902706 |
| I cannot stand that chatbot.                             | NEGATIVE  |   0.895219 |
| Your support tech talked down to me.                     | NEGATIVE  |   0.868598 |
| It took me way too long to get a real person.            | NEGATIVE  |   0.481805 |
+----------------------------------------------------------+-----------+------------+
 10 rows in set (0.1898 sec)
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 
SELECT feedback AS 'Customer feedback',
    aws_comprehend_detect_sentiment(feedback, 'en') AS Sentiment,
    ROUND(aws_comprehend_detect_sentiment_confidence(feedback, 'en'), 6)
    AS Confidence FROM support
    ORDER BY Confidence DESC;
+----------------------------------------------------------+-----------+------------+
| Customer feedback                                        | Sentiment | Confidence |
+----------------------------------------------------------+-----------+------------+
| Thank you for the excellent customer support!            | POSITIVE  |   0.999771 |
| The latest version of this product stinks!               | NEGATIVE  |   0.999184 |
| Your support team is just awesome! I am blown away.      | POSITIVE  |   0.997774 |
| Your product is too complex, but your support is great.  | MIXED     |   0.957958 |
| Your support tech helped me in fifteen minutes.          | POSITIVE  |   0.949491 |
| My problem was never resolved!                           | NEGATIVE  |   0.920644 |
| When will the new version of this product be released?   | NEUTRAL   |   0.902706 |
| I cannot stand that chatbot.                             | NEGATIVE  |   0.895219 |
| Your support tech talked down to me.                     | NEGATIVE  |   0.868598 |
| It took me way too long to get a real person.            | NEGATIVE  |   0.481805 |
+----------------------------------------------------------+-----------+------------+
 10 rows in set (0.1898 sec)
2. Dengan menggunakan nilai kecil untuk 
GRANT AWS_SAGEMAKER_ACCESS TO user@domain-or-ip-address
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:

  • Panggilan fungsi dalam daftar pilih atau klausa 

    SELECT feedback AS 'Customer feedback',
    aws_comprehend_detect_sentiment(feedback, 'en') AS Sentiment,
    ROUND(aws_comprehend_detect_sentiment_confidence(feedback, 'en'), 6)
    AS Confidence FROM support
    ORDER BY Confidence DESC;
+----------------------------------------------------------+-----------+------------+
| Customer feedback                                        | Sentiment | Confidence |
+----------------------------------------------------------+-----------+------------+
| Thank you for the excellent customer support!            | POSITIVE  |   0.999771 |
| The latest version of this product stinks!               | NEGATIVE  |   0.999184 |
| Your support team is just awesome! I am blown away.      | POSITIVE  |   0.997774 |
| Your product is too complex, but your support is great.  | MIXED     |   0.957958 |
| Your support tech helped me in fifteen minutes.          | POSITIVE  |   0.949491 |
| My problem was never resolved!                           | NEGATIVE  |   0.920644 |
| When will the new version of this product be released?   | NEUTRAL   |   0.902706 |
| I cannot stand that chatbot.                             | NEGATIVE  |   0.895219 |
| Your support tech talked down to me.                     | NEGATIVE  |   0.868598 |
| It took me way too long to get a real person.            | NEGATIVE  |   0.481805 |
+----------------------------------------------------------+-----------+------------+
 10 rows in set (0.1898 sec)
    4 dari pernyataan 
    aws_comprehend_detect_sentiment_confidence(
  input_text,
  language_code
  [,max_batch_size]
)
    3. Ada beberapa pengecualian, seperti yang dijelaskan berikut ini.

  • Fungsi memanggil dalam daftar 

    SELECT feedback AS 'Customer feedback',
    aws_comprehend_detect_sentiment(feedback, 'en') AS Sentiment,
    ROUND(aws_comprehend_detect_sentiment_confidence(feedback, 'en'), 6)
    AS Confidence FROM support
    ORDER BY Confidence DESC;
+----------------------------------------------------------+-----------+------------+
| Customer feedback                                        | Sentiment | Confidence |
+----------------------------------------------------------+-----------+------------+
| Thank you for the excellent customer support!            | POSITIVE  |   0.999771 |
| The latest version of this product stinks!               | NEGATIVE  |   0.999184 |
| Your support team is just awesome! I am blown away.      | POSITIVE  |   0.997774 |
| Your product is too complex, but your support is great.  | MIXED     |   0.957958 |
| Your support tech helped me in fifteen minutes.          | POSITIVE  |   0.949491 |
| My problem was never resolved!                           | NEGATIVE  |   0.920644 |
| When will the new version of this product be released?   | NEUTRAL   |   0.902706 |
| I cannot stand that chatbot.                             | NEGATIVE  |   0.895219 |
| Your support tech talked down to me.                     | NEGATIVE  |   0.868598 |
| It took me way too long to get a real person.            | NEGATIVE  |   0.481805 |
+----------------------------------------------------------+-----------+------------+
 10 rows in set (0.1898 sec)
    6 pernyataan 
    SELECT feedback AS 'Customer feedback',
    aws_comprehend_detect_sentiment(feedback, 'en') AS Sentiment,
    ROUND(aws_comprehend_detect_sentiment_confidence(feedback, 'en'), 6)
    AS Confidence FROM support
    ORDER BY Confidence DESC;
+----------------------------------------------------------+-----------+------------+
| Customer feedback                                        | Sentiment | Confidence |
+----------------------------------------------------------+-----------+------------+
| Thank you for the excellent customer support!            | POSITIVE  |   0.999771 |
| The latest version of this product stinks!               | NEGATIVE  |   0.999184 |
| Your support team is just awesome! I am blown away.      | POSITIVE  |   0.997774 |
| Your product is too complex, but your support is great.  | MIXED     |   0.957958 |
| Your support tech helped me in fifteen minutes.          | POSITIVE  |   0.949491 |
| My problem was never resolved!                           | NEGATIVE  |   0.920644 |
| When will the new version of this product be released?   | NEUTRAL   |   0.902706 |
| I cannot stand that chatbot.                             | NEGATIVE  |   0.895219 |
| Your support tech talked down to me.                     | NEGATIVE  |   0.868598 |
| It took me way too long to get a real person.            | NEGATIVE  |   0.481805 |
+----------------------------------------------------------+-----------+------------+
 10 rows in set (0.1898 sec)
    7 dan 
    SELECT feedback AS 'Customer feedback',
    aws_comprehend_detect_sentiment(feedback, 'en') AS Sentiment,
    ROUND(aws_comprehend_detect_sentiment_confidence(feedback, 'en'), 6)
    AS Confidence FROM support
    ORDER BY Confidence DESC;
+----------------------------------------------------------+-----------+------------+
| Customer feedback                                        | Sentiment | Confidence |
+----------------------------------------------------------+-----------+------------+
| Thank you for the excellent customer support!            | POSITIVE  |   0.999771 |
| The latest version of this product stinks!               | NEGATIVE  |   0.999184 |
| Your support team is just awesome! I am blown away.      | POSITIVE  |   0.997774 |
| Your product is too complex, but your support is great.  | MIXED     |   0.957958 |
| Your support tech helped me in fifteen minutes.          | POSITIVE  |   0.949491 |
| My problem was never resolved!                           | NEGATIVE  |   0.920644 |
| When will the new version of this product be released?   | NEUTRAL   |   0.902706 |
| I cannot stand that chatbot.                             | NEGATIVE  |   0.895219 |
| Your support tech talked down to me.                     | NEGATIVE  |   0.868598 |
| It took me way too long to get a real person.            | NEGATIVE  |   0.481805 |
+----------------------------------------------------------+-----------+------------+
 10 rows in set (0.1898 sec)
    8.

  • SageMaker fungsi

    SELECT feedback AS 'Customer feedback',
    aws_comprehend_detect_sentiment(feedback, 'en') AS Sentiment,
    ROUND(aws_comprehend_detect_sentiment_confidence(feedback, 'en'), 6)
    AS Confidence FROM support
    ORDER BY Confidence DESC;
+----------------------------------------------------------+-----------+------------+
| Customer feedback                                        | Sentiment | Confidence |
+----------------------------------------------------------+-----------+------------+
| Thank you for the excellent customer support!            | POSITIVE  |   0.999771 |
| The latest version of this product stinks!               | NEGATIVE  |   0.999184 |
| Your support team is just awesome! I am blown away.      | POSITIVE  |   0.997774 |
| Your product is too complex, but your support is great.  | MIXED     |   0.957958 |
| Your support tech helped me in fifteen minutes.          | POSITIVE  |   0.949491 |
| My problem was never resolved!                           | NEGATIVE  |   0.920644 |
| When will the new version of this product be released?   | NEUTRAL   |   0.902706 |
| I cannot stand that chatbot.                             | NEGATIVE  |   0.895219 |
| Your support tech talked down to me.                     | NEGATIVE  |   0.868598 |
| It took me way too long to get a real person.            | NEGATIVE  |   0.481805 |
+----------------------------------------------------------+-----------+------------+
 10 rows in set (0.1898 sec)
    9nilai-nilai dalam
    SELECT AVG(CASE aws_comprehend_detect_sentiment(productTable.document, 'en')
  WHEN 'POSITIVE' THEN 1.0
  WHEN 'NEGATIVE' THEN -1.0
  ELSE 0.0 END) AS avg_sentiment, COUNT(*) AS total
FROM productTable
WHERE productTable.productCode = 1302 AND
    aws_comprehend_detect_sentiment_confidence(productTable.document, 'en') >= 0.80;
    0.

    GRANT AWS_COMPREHEND_ACCESS TO user@domain-or-ip-address
    6

Memantau machine learning Aurora

Anda dapat memantau operasi batch machine learning Aurora dengan menanyakan beberapa variabel global, seperti yang ditunjukkan berikut.

GRANT AWS_COMPREHEND_ACCESS TO user@domain-or-ip-address
7

Anda dapat mengatur ulang variabel status dengan menggunakan

SELECT AVG(CASE aws_comprehend_detect_sentiment(productTable.document, 'en')
  WHEN 'POSITIVE' THEN 1.0
  WHEN 'NEGATIVE' THEN -1.0
  ELSE 0.0 END) AS avg_sentiment, COUNT(*) AS total
FROM productTable
WHERE productTable.productCode = 1302 AND
    aws_comprehend_detect_sentiment_confidence(productTable.document, 'en') >= 0.80;
1. Jadi, semua angka mewakili total, rata-rata, dan seterusnya, sejak terakhir kali variabel disetel ulang.

SELECT AVG(CASE aws_comprehend_detect_sentiment(productTable.document, 'en')
  WHEN 'POSITIVE' THEN 1.0
  WHEN 'NEGATIVE' THEN -1.0
  ELSE 0.0 END) AS avg_sentiment, COUNT(*) AS total
FROM productTable
WHERE productTable.productCode = 1302 AND
    aws_comprehend_detect_sentiment_confidence(productTable.document, 'en') >= 0.80;
2

Jumlah respons agregat yang diterima Aurora MySQL dari layanan machine learning Aurora di semua kueri yang dijalankan oleh pengguna instans DB.

SELECT AVG(CASE aws_comprehend_detect_sentiment(productTable.document, 'en')
  WHEN 'POSITIVE' THEN 1.0
  WHEN 'NEGATIVE' THEN -1.0
  ELSE 0.0 END) AS avg_sentiment, COUNT(*) AS total
FROM productTable
WHERE productTable.productCode = 1302 AND
    aws_comprehend_detect_sentiment_confidence(productTable.document, 'en') >= 0.80;
3

Jumlah permintaan agregat yang diterima Aurora MySQL dari layanan machine learning Aurora di semua kueri yang dijalankan oleh pengguna instans DB.

SELECT AVG(CASE aws_comprehend_detect_sentiment(productTable.document, 'en')
  WHEN 'POSITIVE' THEN 1.0
  WHEN 'NEGATIVE' THEN -1.0
  ELSE 0.0 END) AS avg_sentiment, COUNT(*) AS total
FROM productTable
WHERE productTable.productCode = 1302 AND
    aws_comprehend_detect_sentiment_confidence(productTable.document, 'en') >= 0.80;
4

Jumlah respons agregat yang diterima Aurora MySQL dari layanan machine learning Aurora di semua kueri yang dijalankan oleh pengguna instans DB.

SELECT AVG(CASE aws_comprehend_detect_sentiment(productTable.document, 'en')
  WHEN 'POSITIVE' THEN 1.0
  WHEN 'NEGATIVE' THEN -1.0
  ELSE 0.0 END) AS avg_sentiment, COUNT(*) AS total
FROM productTable
WHERE productTable.productCode = 1302 AND
    aws_comprehend_detect_sentiment_confidence(productTable.document, 'en') >= 0.80;
5

Jumlah klik cache internal gabungan yang diterima Aurora MySQL dari layanan machine learning Aurora di semua kueri yang dijalankan oleh pengguna instans DB.

SELECT AVG(CASE aws_comprehend_detect_sentiment(productTable.document, 'en')
  WHEN 'POSITIVE' THEN 1.0
  WHEN 'NEGATIVE' THEN -1.0
  ELSE 0.0 END) AS avg_sentiment, COUNT(*) AS total
FROM productTable
WHERE productTable.productCode = 1302 AND
    aws_comprehend_detect_sentiment_confidence(productTable.document, 'en') >= 0.80;
6

Jumlah 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..

kode mysql

Pos Terkait

Cara menggunakan php vs python
Cara menggunakan php vs python

Dapatkah Anda menggunakan fungsi dalam fungsi javascript?
Dapatkah Anda menggunakan fungsi dalam fungsi javascript?

Cara menggunakan contoh hash_hmac php
Cara menggunakan contoh hash_hmac php

Bagaimana Anda mengosongkan tabel di php?
Bagaimana Anda mengosongkan tabel di php?

Cara menggunakan shell.php download
Cara menggunakan shell.php download

Cara menggunakan export mysql ubuntu
Cara menggunakan export mysql ubuntu

Bagaimana cara memilih antara mongodb dan postgresql?
Bagaimana cara memilih antara mongodb dan postgresql?

Cara menggunakan ASINCHRONOSITY dalam JavaScript
Cara menggunakan ASINCHRONOSITY dalam JavaScript

Cara menggunakan concatenate two lists python
Cara menggunakan concatenate two lists python

Cara paste nama di excel mac
Cara paste nama di excel mac

Periklanan

BERITA TERKINI

Apakah fungsi data cleaning dalam python?
1 years ago . by UndiscoveredDucking
Cara cek kartu kredit bca aktif atau tidak
1 years ago . by MythicalCoverage
Cara menggunakan setcookie not working javascript
1 years ago . by DrabServitude
Cara menggunakan fungsi struktur html
1 years ago . by ParticipatingAdvert
Which MySQL edition used for physical backup?
1 years ago . by HeedlessLikeness
Php imagemagick pdf ke png kualitas tinggi
1 years ago . by QuietRegularity
Cara menggunakan python raise typeerror
1 years ago . by DifficultImmunization
Cara mengisi game di ps 3
1 years ago . by VeterinaryReviewer
Bagaimana Anda memeriksa apakah saya sudah menginstal mysql?
1 years ago . by PriestlyDonkey
Mengapa gambar tidak ditampilkan di html?
1 years ago . by High-qualityWidget

Toplist Popular

#1
Top 7 os elementos da paisagem descritos no texto correspondem a aspectos biogeográficos presentes na 2022
1 years ago
#2
Top 6 a energia nuclear é uma alternativa aos combustíveis fósseis que, se não gerenciada de forma correta 2022
1 years ago
#3
Top 6 a persistência das reivindicações relativas à aplicação desse preceito normativo tem em vista 2022
1 years ago
#4
Top 7 wie viele zigaretten sind ein shisha kopf 2022
2 years ago
#5
Top 7 wie viel kostet eine badewanne voll wasser 2022
2 years ago
#6
Top 8 golf 7 standheizung fernbedienung anlernen 2022
2 years ago
#7
Top 8 sky receiver aufnehmen nicht möglich ohne abo 2022
2 years ago
#8
Top 5 einhell kgsz 300 ug sägeblatt wechseln 2022
2 years ago
#9
Top 7 renault clio 3 abblendlicht wechseln anleitung 2022
2 years ago
#10
Top 8 outlook diese datendatei ist mit einem e-mail-konto verbunden 2022
2 years ago

Periklanan

Terpopuler

Periklanan

Tentang Kami

Legal

Dukungan

Social

homeentrdeptjp
Copyright © 2024 membukakan Inc.