Machine learning - Amazon Redshift

Amazon Redshift ne prendra plus en charge la création de nouvelles fonctions Python définies par l’utilisateur à compter du 1er novembre 2025. Si vous souhaitez utiliser des fonctions Python définies par l’utilisateur, créez-les avant cette date. Les fonctions Python définies par l’utilisateur existantes continueront de fonctionner normalement. Pour plus d’informations, consultez le billet de blog .

Machine learning

Le machine learning d’Amazon Redshift (Amazon Redshift ML) est un service robuste, basé sur le cloud, qui facilite l’utilisation de la technologie de machine learning par les analystes et les scientifiques des données de tous niveaux de compétence. Amazon Redshift ML utilise un modèle pour générer des résultats. Vous pouvez utiliser les modèles des manières suivantes :

  • Vous pouvez fournir les données que vous souhaitez pour entraîner un modèle et les métadonnées associées aux données en entrée à Amazon Redshift. Amazon Redshift ML crée ensuite des modèles dans Amazon SageMaker AI qui capturent les modèles dans les données entrées. En utilisant vos propres données pour le modèle, vous pouvez utiliser Amazon Redshift ML pour identifier les tendances des données, telles que la prévision du taux de désabonnement, la valeur du cycle de vie du client ou la prévision des revenus. Vous pouvez utiliser ces modèles pour générer des prédictions pour de nouvelles données entrées sans encourir de coûts supplémentaires.

  • Vous pouvez utiliser l’un des modèles de fondation (FM) fournis par Amazon Bedrock, tels que Claude ou Amazon Titan. À l’aide d’Amazon Bedrock, vous pouvez associer la puissance des grands modèles linguistiques (LLM) à vos données d’analyse dans Amazon Redshift en quelques étapes. En utilisant un grand modèle de langage (LLM) externe, vous pouvez utiliser Amazon Redshift pour effectuer le traitement du langage naturel (NLP) sur vos données. Vous pouvez utiliser le traitement du langage naturel pour des applications telles que la génération de texte, l’analyse des sentiments ou la traduction. Pour plus d’informations sur l’utilisation d’Amazon Bedrock avec Amazon Redshift, consultez Intégrations d’Amazon Redshift ML à Amazon Bedrock.

Note

Refus d’utiliser vos données pour améliorer le service

Si vous utilisez des modèles Amazon Bedrock, nous vous encourageons à lire les politiques AWS relatives à la manière dont le service Amazon Bedrock gère vos données. Vous devez déterminer si vous devez utiliser une politique de désinscription pour empêcher le service d’utiliser vos données pour améliorer le modèle ou le service, si Amazon Bedrock implémente une telle fonctionnalité à l’avenir. Pour vous assurer que le service n’utilise pas vos données à de telles fins, utilisez la politique générale de désinscription AWS.

Pour plus d’informations, consultez les ressources suivantes :

Note

Les grands modèles de langage peuvent générer des informations inexactes ou incomplètes. Nous vous recommandons de vérifier les informations produites par les grands modèles de langage pour vous assurer qu’elles sont exactes et complètes.

Fonctionnement d’Amazon Redshift ML avec Amazon SageMaker AI

Amazon Redshift fonctionne avec Amazon SageMaker AI Autopilot pour obtenir automatiquement le meilleur modèle et de rendre la fonction de prédiction disponible dans Amazon Redshift.

Le schéma suivant illustre le fonctionnement d'Amazon Redshift ML.

Flux de travail pour Amazon Redshift ML intégré à Amazon SageMaker AI Autopilot.

De manière générale, procédez comme suit :

  1. Amazon Redshift exporte les données d'entraînement vers Amazon S3.

  2. Amazon SageMaker AI Autopilot prétraite les données d’entraînement. Le prétraitement remplit des fonctions importantes, telles que l'imputation des valeurs manquantes. Il reconnaît que certaines colonnes sont catégoriques (comme le code postal), les formate correctement pour l'entraînement, et effectue de nombreuses autres tâches. Le choix des meilleurs préprocesseurs à appliquer sur le jeu de données d’entraînement est un problème en soi, et Amazon SageMaker AI Autopilot automatise sa solution.

  3. Amazon SageMaker AI Autopilot trouve l’algorithme et ses hyperparamètres offrant le modèle dont les prédictions sont les plus précises.

  4. Amazon Redshift enregistre la fonction de prédiction en tant que fonction SQL dans votre cluster Amazon Redshift.

  5. Lorsque vous exécutez des instructions CREATE MODEL, Amazon Redshift utilise Amazon SageMaker AI pour l’entraînement. Par conséquent, il y a un coût associé pour l'entraînement de votre modèle. Il apparaît dans un poste distinct pour Amazon SageMaker AI dans votre facture AWS. Vous payez également les frais de stockage de vos données d'entraînement dans Amazon S3. L'inférence qui utilise des modèles créés avec CREATE MODEL pouvant être compilés et exécutés sur votre cluster Redshift ne sera pas facturée. L'utilisation d'Amazon Redshift ML n'entraîne pas de frais supplémentaires pour Amazon Redshift.

Rubriques