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

甲骨文（Oracle）資料倉儲分析工具MySQL HeatWave更新，除了強化自動機器學習（AutoML）功能，增加支援的機器學習用例，同時也擴展MySQL HeatWave的多雲支援。

HeatWave是甲骨文的高效能MySQL查詢工具，使用戶能夠快速地查詢儲存在MySQL資料庫的資料，而HeatWave原本就有提供內建在資料庫中的原生機器學習服務，能夠直接執行機器學習訓練、推理和解釋資料，提供自動訓練回歸、分類和單變數時間序列預測模型。

而本次MySQL HeatWave的新功能，甲骨文擴展HeatWave AutoML生命周期自動化，新支援多變數時間序列預測、非監督異常偵測和推薦系統，資料分析師可以不需要專業人員協助，就能以互動式控制臺，建置、訓練、執行和解釋這些機器學習模型。

多變數時間序列預測是以過去多變數時間序列，預測未來資料變化的一種方法，像是可用於建立模型，預測冬季用電需求等，多變數時間序列有多種可用的預測演算法，而挑選適合的演算法並非一件簡單的工作，現在MySQL HeatWave所提供的AutoML，能夠預處理資料，並且自動選擇最適合的機器學習模型演算法，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，使用由進階時間序列預處理、演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統計人員，就可以完成多變數時間序列預測。

MySQL HeatWave新支援的無監督異常偵測，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，有多種演算法都能夠用於偵測資料異常，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，演算法可能無法正確運作。

而MySQL HeatWave所生成的模型，能夠針對各類型的資料異常，執行高精確度預測，而且該過程完全自動化，分析師不需要選擇演算法、特徵，也不用擔心超參數的數值。另外，MySQL HeatWave中的推薦系統現在也完全自動化，演算法、特徵和超參數最佳化都不需要用戶決定。

甲骨文改進了在MySQL HeatWave與AWS服務的整合，MySQL HeatWave可在AWS上原生運作，並且提供S3最佳化儲存層，當MySQL資料要載入至HeatWave時，系統會將資料複製到S3擴展資料管理層，好處是當需要資料恢復，重新載入資料到HeatWave時，多個HeatWave節點可以平行存取資料，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叢集從S3恢復只要3.5分鐘，比從MySQL重新載入資料需時140分鐘要快上許多。

MySQL HeatWave控制臺開始支援MySQL自動形狀預測（Autopilot Auto-shape Prediction），該機器學習功能將會即時監控OLTP工作負載，預測應用程式的執行狀況和效能需求，根據歷史效能分析趨勢，像是吞吐量、緩衝區命中率，自動推薦適合的資料庫形狀。資料庫的形狀指得是資料庫執行個體的配置，包括CPU、記憶體和儲存空間等。