Amazon Q generative SQL in Amazon Redshift Query Editor

Pulisher : Mass Migration & DR Center イ・ミンギュ
Description : Redshift SQLを作成する上で、Amazon Qの助けを借りて素早くSQLクエリを作成する方法を学ぶセッション

はじめに

データ分析時にSQLクエリを作成し、実行するために多くのメタデータを理解するために時間を割きます。Redshift SQLを作成する上でAmazon Qの助けを借りて素早くSQLクエリを作成する方法を学ぶセッションです。

生成型AIとは、会話、ストーリー、画像、ビデオ、音楽など、新しいコンテンツやアイデアを創出することを意味します。膨大なデータは、事前訓練という方式、つまりFoundation Modelsをベースに駆動され、蓄積されます。顧客は経験していないことをAIを通じて得たいと考えており、従業員の生産性及び創造性、ビジネスプロセスに対して最適化を持ちたいと考えています。

AI/MLを使用に対する効果は次の通りです。 開発者はAI/MLを使用して簡単にビジネスを分析してアプリケーションを構築し、管理者はデータウェアハウスをより簡単に管理し、拡張可能です。データアナリストは、AI/MLの迅速な情報を通じて未来に対する価値ある洞察を得ることができます。

Amazon RedShiftは2023年にはAIの助けを借りて生産的な最適化を実現しました。

その成果は以下の通りです。

・データ量、クエリの複雑さなど、変化するワークロードに応じてインテリジェントに拡張します。

・コストを削減しながら一貫したパフォーマンスを維持するために、データウェアハウスを全体的に最適化します。

・フリートおよび個々のワークロードで数千のワークロードのパターンを活用する継続的なMLベースで最適化します。

・パフォーマンス目標を維持するための手動のアクションは必要ありません。

Electronic Arts社では、データウェアハウジングの自動化により、クラスター処理量が15%増加し、同時処理量が20%増加しました。

データアナリストは準備しなければならない多くのリソース、複雑なスキーマ、受動的なデバッグ、反復的なSQL、MLのための複雑なツールなどの使用を検討してきました。

収集されたデータをAmazon Redshift MLを通じて分析及び高性能レポーティングを行い、モデル生成命令をすると、SageMakerが自動的にトレーニングを行います。

SageMakerが自動的にトレーニングを行います。 価格リスクなどを予測するクエリを実行し、リスク管理を行います。毎週800億個以上の予測を実行します。

SQLを使用してLLMモデルに対する推論生成、SageMaker JumpStart大規模言語モデルを活用することができます。 スキーマ及びテーブルの生成、各種SQLクエリの作成及び結果をチャートで視覚化します。

SQLジェネレータを使用して対話型インターフェースを提供します。

ユーザー定義のSQLコードを生成することで、複雑なデータベース構造を理解する必要がありません。

SQL推薦クエリを使用して精度を向上させます。

ユーザーは英語でクエリを説明すると、Amazon QがカスタマイズされたSQLを提供します。

セッションを終えて

私たちは今後、SQLよりAIにどのようにうまく話をして理解させるかを考えなければならないと思いました。まだ初期段階なので実務で望むレベルには無理があるように見えますが、急速に成長しているAI技術力を見るとそれほど遠くないと思います。