¿Por qué elegir Amazon Redshift ML?
Amazon Redshift ML facilita a los analistas de datos y desarrolladores de bases de datos la creación, el entrenamiento y la aplicación de modelos de machine learning mediante comandos SQL conocidos en los almacenes de datos de Amazon Redshift. Con Redshift ML, puede beneficiarse de Amazon SageMaker, un servicio de machine learning totalmente administrado, sin necesidad de aprender idiomas o a usar nuevas herramientas. Simplemente, utilice instrucciones SQL para crear y entrenar modelos de machine learning de Amazon SageMaker con sus datos de Redshift y, a continuación, utilice estos modelos para realizar predicciones. Por ejemplo, puede usar los datos de retención de clientes en Redshift para entrenar un modelo de detección de abandono y, a continuación, aplicarlo a los paneles de control para que el equipo de marketing ofrezca incentivos a los clientes con riesgo potencial de abandono. Redshift ML hace que el modelo esté disponible como una función SQL en su almacén de datos de Redshift, de modo que pueda aplicarlo con facilidad directamente en sus consultas e informes.
No se necesita experiencia previa en ML
Dado que Redshift ML le permite utilizar SQL estándar, le resultará fácil ser productivo con nuevos casos de uso para sus datos de análisis. Redshift ML proporciona una integración sencilla, optimizada y segura entre Redshift y Amazon SageMaker y permite la inferencia dentro del clúster de Redshift, lo que facilita el uso de las predicciones generadas por los modelos basados en ML en consultas y aplicaciones. No es necesario administrar un punto de conexión del modelo de inferencia independiente y los datos de entrenamiento se protegen de principio a fin mediante cifrado.
Utilizar ML en sus datos de Redshift con SQL estándar
Para comenzar, utilice el comando CREATE MODEL SQL en Redshift y especifique los datos de entrenamiento como una tabla o como una instrucción SELECT. A continuación, Redshift ML compila e importa el modelo entrenado dentro del almacén de datos de Redshift y prepara una función de inferencia de SQL que se puede utilizar inmediatamente en las consultas SQL. Redshift ML gestiona automáticamente todos los pasos necesarios para entrenar e implementar un modelo.
Análisis predictivo con Amazon Redshift
Con Redshift ML, puede incorporar predicciones como la detección de fraudes, la puntuación de riesgo y la predicción de abandono directamente en las consultas y los informes. Utilice la función SQL para aplicar el modelo de ML a sus datos en consultas, informes y paneles. Por ejemplo, puede ejecutar la función de SQL “abandono de clientes” con los datos de nuevos clientes de su almacén de datos de forma regular para predecir qué clientes tienen un riesgo potencial de abandono y proporcionar esta información a sus equipos de ventas y marketing para que puedan tomar medidas preventivas, como enviar a estos clientes una oferta diseñada para fidelizarlos.
Bring your own model (BYOM, traiga su propio modelo)
Redshift ML admite el uso de BYOM para la inferencia local o remota. Puede utilizar un modelo entrenado fuera de Redshift con Amazon SageMaker para realizar inferencias locales en la base de datos en Amazon Redshift. También puede importar el piloto automático de SageMaker y dirigir los modelos entrenados de Amazon SageMaker para la inferencia local. Como alternativa, puede invocar modelos de machine learning personalizados y remotos implementados en puntos de conexión remotos de SageMaker. Puede utilizar cualquier modelo de SageMaker ML que acepte y devuelva texto o CSV para la inferencia remota.
Análisis predictivo en Amazon Redshift con Amazon SageMaker
Funcionamiento
![Cómo funciona: Redshift ML (versión preliminar) Cómo funciona: Redshift ML (versión preliminar)](https://d1.awsstatic.com/redshift/redshift-ml/product-page-diagram_Redshift-ML%402x.aff0635372bc75fff6c847b9d62ee52657f4f23b.png)
Historias de éxito de los clientes
![Logotipo de cliente de Magellan Rx Management Logotipo de cliente de Magellan Rx Management](https://d1.awsstatic.com/Customer%20References%20Directory%20Logos/Magellan-RX-Managemen_Logo.00bb6e38b822bfcdf4fcb14af3080fdacac39885.png)
“En Amazon Redshift, redujimos nuestros costos operativos en un 20 %. Es un avance significativo respecto a nuestra pila anterior”.
Vinesh Kolpe, vicepresidente de Tecnología de la Información - Magellan Rx Management
![Logotipo de cliente de Jobcase Logotipo de cliente de Jobcase](https://d1.awsstatic.com/jobcase%20logo%20600x400.81dea22533c9907292f36fb2fcbd0478fc7a3452.png)
“Jobcase tiene varios modelos en producción que utilizan Amazon Redshift ML. Cada modelo realiza miles de millones de predicciones en minutos directamente en nuestro almacén de datos de Redshift, sin necesidad de canalizaciones de datos. Con Redshift ML, hemos evolucionado para modelar arquitecturas que generan una mejora del 5 al 10 % en las tasas de miembros y en las de participación de los miembros en varios tipos diferentes de plantillas de correo electrónico, sin costos de inferencia”.
Mike Griffin, vicepresidente ejecutivo de Optimización y Análisis - Jobcase
![Rackspace_Technology_Logo_RGB_RED Rackspace_Technology_Logo_RGB_RED](https://d1.awsstatic.com/redshift/redshift-ml/Rackspace_Technology_Logo_RGB_BLK.31686d8437903ec2ce7e63401177803faa14add0.png)
“En Rackspace Technology ayudamos a las empresas a mejorar sus operaciones de inteligencia artificial y machine learning. Estamos entusiasmados con la nueva función de machine learning de Amazon Redshift porque facilitará a nuestros clientes mutuos de Redshift el uso del machine learning en Redshift con una interfaz SQL familiar. La perfecta integración con Amazon SageMaker permitirá a los analistas de datos utilizar los datos de nuevas formas y proporcionará aún más información a la organización en general”.
Nihar Gupta, General Manager for Data Solutions, Rackspace Technology