MySQL HeatWaveの新しいトピック！ / MySQL HeatWave Update 202206

Slide 1

Slide 1 text

MySQL HeatWaveの新しいトピック！ OCIjp#31 学びシリーズ集大成！〜HeatWave＆OracleDB〜でのLT 2022年6月21日 MySQL Global Business Unit 山﨑由章 / Yoshiaki Yamasaki

Slide 2

Slide 2 text

Slide 3

Slide 3 text

Slide 4

Slide 4 text

Slide 5

Slide 5 text

Slide 6

Slide 6 text

Slide 7

Slide 7 text

Slide 8

Slide 8 text

Slide 9

Slide 9 text

Slide 10

Slide 10 text

Slide 11

Slide 11 text

Slide 12

Slide 12 text

HeatWaveノードのノード数追加/削除をオンラインで実行可能に Copyright © 2022, Oracle and/or its affiliates 12 N + K台構成となったHeatWave クラスターでのSQL受付開始追加するK台のノード割り当てメタデータの同期 InnoDBのテーブルのデータをK台にロードサイズ変更開始既存のN台構成のHeatWave クラスターへのSQL受付新手法でのノード追加サイズ変更開始追加するK台のノード割り当て InnoDBのテーブルのデータを N + K台全てにロード N台のHeatWaveの非アクティブ化 N + K台構成のプロビジョン N + K台構成のクラスターの再アクティブ化既存のN台構成のHeatWave クラスターへのSQL受付停止 N + K台構成となったHeatWave クラスターでのSQL受付開始手動でのノード追加 (従来型 )

Slide 13

Slide 13 text

ノード数を増加することによりデータロード時間も短縮、メタデータの同期による一時停止時間は0.2ミリ秒以下 Copyright © 2022, Oracle and/or its affiliates 13 0 0.2 0.4 0.6 0.8 1 4TBのデータのロード時間 (秒) 0 50 100 150 200 250 300 一時停止時間 (ミリ秒) いつでも利用可能 HeatWaveノードのメモリー内に格納されたパーティション構成情報の更新の間だけ一時停止予測可能時間はノードあたりのデータサイズに依存大きなクラスターサイズへの変更によるデータロード時間の短縮クエリの一時停止時間 4 → 6 8 → 16 22 → 41 5 → 29 29 → 11 11 → 17 高速化ほぼオブジェクトストレージの帯域性能に相当 17 → 8

Slide 14

Slide 14 text

Slide 15

Slide 15 text

Slide 16

Slide 16 text

Slide 17

Slide 17 text

Slide 18

Slide 18 text

Slide 19

Slide 19 text

Slide 20

Slide 20 text

Slide 21

Slide 21 text

MySQL HeatWave ML は、教師あり学習の分類, 回帰を提供 MySQL HeatWave MLにおける機械学習 Copyright © 2022, Oracle and/or its affiliates 機械学習 ML 強化学習分類回帰クラスタリング次元削減深層学習 DL 人間の知能を再現する処理能力やテクノロジー (推論、認識、判断 etc.) 人工知能 AI データ解析により学習結果を法則化, 自動化人間の脳神経回路を参考にした手法でデータから特徴を抽出教師なし学習正解を学習データとしてそれを再現するモデルを生成診断や顔認識など画像を使った分類, カテゴライズ売上、降水確率などを定量的に予測教師あり学習 MySQL HeatWave MLがサポートする機械学習 21

Slide 22

Slide 22 text

Slide 23

Slide 23 text

機械学習の工程と各工程での課題 Copyright © 2022, Oracle and/or its affiliates 23 大量のデータを収集結論を導くアルゴリズムを選択パラーメーターを選択統計的な演算を行ってモデルを作成するためのアルゴリズムを「トレーニング」実際のデータに対して推論を実行データの移動と加工は手間とコスト、時間がかかる面倒な作業正しいアルゴリズムとパラーメーターを選択できるか？推論や予測の精度に大きな影響があるため重要ではあるが、トレーニングに非常に長い時間がかかる (※) ブラックボックス化、なぜそのモデルがその選択をしたのか分からない工程 ※トレーニングは、推論に比べて非常に時間がかかる

Slide 24

Slide 24 text

機械学習の工程と各工程での課題 Copyright © 2022, Oracle and/or its affiliates 24 大量のデータを収集結論を導くアルゴリズムを選択パラーメーターを選択統計的な演算を行ってモデルを作成するためのアルゴリズムを「トレーニング」実際のデータに対して推論を実行工程既にDBにあるデータを活用 AutoMLの活用圧倒的に高速な「トレーニング」全てのモデルに対して「説明」可能機械学習の悩みをHeatWaveが解決

Slide 25

Slide 25 text

Slide 26

Slide 26 text

機械学習の「分類」のチュートリアルとしてよく使われるアヤメの品種分類での例学習用データと推論用データ Copyright © 2022, Oracle and/or its affiliates 26 mysql> SELECT * FROM ml_data.iris_train; +--------------+-------------+--------------+-------------+-----------------+ | sepal length | sepal width | petal length | petal width | class | +--------------+-------------+--------------+-------------+-----------------+ | 6.4 | 2.8 | 5.6 | 2.2 | Iris-virginica | | 5 | 2.3 | 3.3 | 1 | Iris-setosa | | 4.9 | 2.5 | 4.5 | 1.7 | Iris-virginica | | 4.9 | 3.1 | 1.5 | 0.1 | Iris-versicolor | <略> | 5.7 | 3 | 4.2 | 1.2 | Iris-setosa | | 4.4 | 2.9 | 1.4 | 0.2 | Iris-versicolor | | 4.8 | 3 | 1.4 | 0.1 | Iris-versicolor | | 5.5 | 2.4 | 3.7 | 1 | Iris-setosa | +--------------+-------------+--------------+-------------+-----------------+ 120 rows in set (0.00 sec) sepal length ：ガクの長さ sepal width ：ガクの太さ petal length ：花びらの長さ petal width ：花びらの太さ class ：アヤメの品種 (セトサ種、バージカラー種、バージニカ種) class列を正解として学習させる (教師あり学習) 学習用データ mysql> SELECT * FROM ml_data.iris_test; +--------------+-------------+--------------+-------------+ | sepal length | sepal width | petal length | petal width | +--------------+-------------+--------------+-------------+ | 5.9 | 3 | 4.2 | 1.5 | | 6.9 | 3.1 | 5.4 | 2.1 | | 5.1 | 3.3 | 1.7 | 0.5 | | 6 | 3.4 | 4.5 | 1.6 | <略> | 5.2 | 4.1 | 1.5 | 0.1 | | 6.7 | 3.1 | 4.7 | 1.5 | | 6.7 | 3.3 | 5.7 | 2.5 | | 6.4 | 2.9 | 4.3 | 1.3 | +--------------+-------------+--------------+-------------+ 30 rows in set (0.00 sec) 推論用データ正解であるclass列が無いテーブル

Slide 27

Slide 27 text

Copyright © 2022 Oracle and/or its affiliates. 27 ML_TRAIN(テーブル名, 対象列名, [オプション], モデル名) • オプション • 分類の場合: NULL または JSON_OBJECT('task', 'classification') • 回帰の場合: JSON_OBJECT('task', 'regression’) 実行例) ml_data.iris_trainテーブルのclass列に対する分類(アヤメの品種分類) 「トレーニング」終了後に SELECT @iris_model; で生成されたモデル名を確認可能 HeatWave MLでの「トレーニング」 CALL sys.ML_TRAIN('ml_data.iris_train', 'class', JSON_OBJECT('task', 'classification'), @iris_model);

Slide 28

Slide 28 text

Copyright © 2022 Oracle and/or its affiliates. 28 ML_MODEL_LOAD(モデル名, ユーザー名) • ユーザー名に「NULL」を指定した場合は、現在のユーザーが指定される実行例）前ページの実行例で作成したモデルをロード HeatWave MLでのモデルのロード mysql> CALL sys.ML_MODEL_LOAD(@iris_model, NULL);

Slide 29

Slide 29 text

Copyright © 2022 Oracle and/or its affiliates. 29 ML_PREDICT_ROW(対象データ,「トレーニング」済みモデル名) • 指定した行データに対する予測実行例) 作成したモデルを使って、アヤメのデータを1行だけ与えて品種(class列)を求める HeatWave MLでの「推論」 ※行の場合 SELECT sys.ML_PREDICT_ROW(JSON_OBJECT("sepal length", 7.3, "sepal width", 2.9, "petal length", 6.3, "petal width", 1.8), @iris_model); +---------------------------------------------------------------------------------------------------------------------------------+ | sys.ML_PREDICT_ROW(JSON_OBJECT("sepal length", 7.3, "sepal width", 2.9, "petal length", 6.3, "petal width", 1.8), @iris_model) | +---------------------------------------------------------------------------------------------------------------------------------+ | {"Prediction": "Iris-virginica", "petal width": 1.8, "sepal width": 2.9, "petal length": 6.3, "sepal length": 7.3} | +---------------------------------------------------------------------------------------------------------------------------------+ sepal length ：ガクの長さ sepal width ：ガクの太さ petal length ：花びらの長さ petal width ：花びらの太さ class ：アヤメの品種 (セトサ種、バージカラー種、バージニカ種)

Slide 30

Slide 30 text

Slide 31

Slide 31 text

Copyright © 2022, Oracle and/or its affiliates 31 ※先日開催されたOSCオンライン名古屋での以下のセッションを加筆修正して開催予定「データベースエンジニアのための、 MySQL HeatWave MLによる機械学習入門」資料 https://event.ospn.jp/slides/OSC2022-OnlineNagoya/osc2022_OnlineNagoya_MySQL.pdf 動画 https://www.youtube.com/watch?v=g3fHLRP2JwU

Slide 32

Slide 32 text

Slide 33

Slide 33 text