搭配 Aurora Postgre 使用 Amazon Aurora 機器學習SQL

透過搭配 Aurora PostgreSQL 資料庫叢集使用 Amazon Aurora Machine Learning，您可以根據您的需求使用 Amazon Comprehend 或 Amazon SageMaker AI 或 Amazon Bedrock。這些服務各自支援特定的機器學習使用案例。

特定 AWS 區域 和特定版本的 Aurora PostgreSQL 僅支援 Aurora Machine Learning。在嘗試設定 Aurora 機器學習之前，請檢查 Aurora PostgreSQL 版本和區域的可用性。如需詳細資訊，請參閱 使用 Aurora Postgre 進行 Aurora 機器學習SQL。

搭配 Aurora Postgre 使用 Aurora 機器學習的要求SQL

AWS 機器學習服務是在自己的生產環境中設定和執行的受管服務。Aurora Machine Learning 支援與 Amazon Comprehend、 SageMaker AI 和 Amazon Bedrock 整合。在嘗試設定 Aurora PostgreSQL 資料庫叢集以使用 Aurora 機器學習之前，請務必了解下列要求和先決條件。

Aurora Postgre 支援 Aurora 機器學習的功能和限制SQL

Aurora Machine Learning 支援可透過 值讀取和寫入逗號分隔值 (CSV) 格式的任何 SageMaker AI ContentType 端點text/csv。目前接受此格式的內建 SageMaker AI 演算法如下。

搭配 Aurora Machine Learning 使用 Amazon Bedrock 時，適用下列限制：

設定 Aurora PostgreSQL 資料庫叢集以使用 Aurora Machine Learning

若要讓 Aurora Machine Learning 與您的 Aurora PostgreSQL 資料庫叢集搭配使用，您需要為要使用的每個服務建立 AWS Identity and Access Management (IAM) 角色。此IAM角色可讓您的 Aurora PostgreSQL 資料庫叢集代表叢集使用 Aurora Machine Learning 服務。您也需要安裝 Aurora Machine Learning 延伸模組。在下列主題中，您可以找到其中每個 Aurora Machine Learning 服務的設定程序。

設定 Aurora PostgreSQL 以使用 Amazon Bedrock

在下列程序中，您首先會建立 IAM角色和政策，授予 Aurora PostgreSQL 代表叢集使用 Amazon Bedrock 的許可。然後，您將政策連接至 Aurora PostgreSQL 資料庫叢集用來使用 Amazon Bedrock IAM的角色。為了簡化起見，此程序使用 AWS Management Console 來完成所有任務。

角色 （及其政策） 與 Aurora PostgreSQL 資料庫叢集相關聯。程序完成時，該角色會列在此叢集清單的目前IAM角色中，如下所示。

Amazon Bedrock IAM的設定已完成。繼續設定您的 Aurora PostgreSQL 以使用 Aurora Machine Learning，方法是安裝延伸模組，如 中所述 安裝 Aurora Machine Learning 延伸模組

設定 Aurora PostgreSQL 以使用 Amazon Comprehend

在下列程序中，您首先會建立 IAM角色和政策，授予 Aurora PostgreSQL 代表叢集使用 Amazon Comprehend 的許可。然後，您將政策連接至 Aurora PostgreSQL 資料庫叢集用來使用 Amazon Comprehend IAM的角色。為了簡化起見，此程序使用 AWS Management Console 來完成所有任務。

角色 （及其政策） 與 Aurora PostgreSQL 資料庫叢集相關聯。程序完成時，該角色會列在此叢集清單的目前IAM角色中，如下所示。

Amazon Comprehend IAM的設定已完成。繼續設定您的 Aurora PostgreSQL 以使用 Aurora Machine Learning，方法是安裝延伸模組，如 中所述 安裝 Aurora Machine Learning 延伸模組

設定 Aurora PostgreSQL 以使用 Amazon SageMaker AI

在建立 Aurora PostgreSQL 資料庫叢集的IAM政策和角色之前，您需要先讓 SageMaker AI 模型設定和端點可用。

角色 （及其政策） 與 Aurora PostgreSQL 資料庫叢集相關聯。程序完成時，該角色會列在此叢集清單的目前IAM角色中。

SageMaker AI IAM的設定已完成。繼續設定 Aurora PostgreSQL 以使用 Aurora Machine Learning，方法是安裝延伸模組，如 中所述安裝 Aurora Machine Learning 延伸模組。

設定 Aurora PostgreSQL 以使用 Amazon S3 for SageMaker AI （進階）

若要將 SageMaker AI 與您自己的模型搭配使用，而不是使用 SageMaker AI 提供的預先建置元件，您需要設定 Amazon Simple Storage Service (Amazon S3) 儲存貯體，以便讓 Aurora PostgreSQL 資料庫叢集使用。這是進階主題，並未在此《Amazon Aurora 使用者指南》中完整記載。一般程序與整合 SageMaker AI 支援的程序相同，如下所示。

如需基本使用方式的資訊，請參閱 將資料匯出至 Amazon S3 以進行 SageMaker AI 模型訓練 （進階）。

安裝 Aurora Machine Learning 延伸模組

Aurora Machine Learning 擴充功能aws_ml 1.0提供兩種函數，可用於叫用 Amazon Comprehend、 SageMaker AI 服務，aws_ml 2.0並提供兩種額外的函數，可用於叫用 Amazon Bedrock 服務。在 Aurora PostgreSQL 資料庫叢集上安裝這些擴充功能也會為 功能建立管理角色。

labdb=> CREATE EXTENSION IF NOT EXISTS aws_ml CASCADE;
NOTICE:  installing required extension "aws_commons"
CREATE EXTENSION
labdb=> 

安裝aws_ml擴充功能也會建立aws_ml管理角色和三個新的結構描述，如下所示。

rds_superuser 角色會獲授予aws_ml管理角色，並由這三個 Aurora 機器學習結構描述OWNER組成。若要允許其他資料庫使用者存取 Aurora Machine Learning 函數，rds_superuser 需要授與 Aurora Machine Learning 函數的 EXECUTE 權限。根據預設，會在兩個 Aurora Machine Learning 結構描述中的函數上撤銷 PUBLIC 的 EXECUTE 權限。

在多租用戶資料庫組態中，您可以在要保護的特定 Aurora Machine Learning 結構描述上使用 REVOKE USAGE，防止租用戶存取 Aurora Machine Learning 函數。

搭配 Aurora PostgreSQL 資料庫叢集使用 Amazon Bedrock

對於 Aurora PostgreSQL，Aurora Machine Learning 提供下列 Amazon Bedrock 函數，以使用您的文字資料。只有在您安裝 2.0 aws_ml 擴充功能並完成所有設定程序之後，才能使用此功能。如需詳細資訊，請參閱設定 Aurora PostgreSQL 資料庫叢集以使用 Aurora Machine Learning。

此函數的輸入和輸出如下。

下列範例示範如何使用 invoke_model 叫用 Bedrock 的 Anthropic Claude 2 模型。

SELECT aws_bedrock.invoke_model (
    model_id    := 'anthropic.claude-v2',
    content_type:= 'application/json',
    accept_type := 'application/json',
    model_input := '{"prompt": "\n\nHuman: You are a helpful assistant that answers questions directly and only using the information provided in the context below.\nDescribe the answer 
    in detail.\n\nContext: %s \n\nQuestion: %s \n\nAssistant:","max_tokens_to_sample":4096,"temperature":0.5,"top_k":250,"top_p":0.5,"stop_sequences":[]}'
);

此函數的輸入和輸出如下。

下列範例示範如何使用 Titan Embeddings G1 – Text Embedded model 產生 PostgreSQL I/O 監控檢視片語的內嵌。

SELECT aws_bedrock.invoke_model_get_embeddings(
   model_id      := 'amazon.titan-embed-text-v1',
   content_type  := 'application/json',
   json_key      := 'embedding',
   model_input   := '{ "inputText": "PostgreSQL I/O monitoring views"}') AS embedding;

搭配 Aurora PostgreSQL 資料庫叢集使用 Amazon Comprehend

對於 Aurora PostgreSQL，Aurora Machine Learning 提供下列 Amazon Comprehend 函數，以使用文字資料。只有在您安裝 aws_ml 延伸模組並完成所有設定程序之後，才能使用此函數。如需詳細資訊，請參閱設定 Aurora PostgreSQL 資料庫叢集以使用 Aurora Machine Learning。

此函數的輸入和輸出如下。

在下列內容中，您可以找到如何使用此函數的範例。

SELECT feedback, s.sentiment,s.confidence 
    FROM support,aws_comprehend.detect_sentiment(feedback, 'en') s 
    ORDER BY s.confidence DESC;
 feedback                         | sentiment | confidence
 ----------------------------------------------------------+-----------+------------
 Thank you for the excellent customer support!            | POSITIVE  |   0.999771
 The latest version of this product stinks!               | NEGATIVE  |   0.999184
 Your support team is just awesome! I am blown away.      | POSITIVE  |   0.997774
 Your product is too complex, but your support is great.  | MIXED     |   0.957958
 Your support tech helped me in fifteen minutes.          | POSITIVE  |   0.949491
 My problem was never resolved!                           | NEGATIVE  |   0.920644
 When will the new version of this product be released?   | NEUTRAL   |   0.902706
 I cannot stand that chatbot.                             | NEGATIVE  |   0.895219
 Your support tech talked down to me.                     | NEGATIVE  |   0.868598
 It took me way too long to get a real person.            | NEGATIVE  |   0.481805
 
 (10 rows)

為了避免針對每個資料表資料列的情緒分析產生費用超過一次，您可以將結果具體化。請在您感興趣的資料列上執行此作業。例如，臨床醫師的筆記正在更新，以便只有法文 (fr) 的筆記使用情緒偵測函數。

UPDATE clinician_notes
SET sentiment = (aws_comprehend.detect_sentiment (french_notes, 'fr')).sentiment,
    confidence = (aws_comprehend.detect_sentiment (french_notes, 'fr')).confidence
WHERE
    clinician_notes.french_notes IS NOT NULL AND
    LENGTH(TRIM(clinician_notes.french_notes)) > 0 AND
    clinician_notes.sentiment IS NULL;

如需最佳化您函數呼叫的詳細資訊，請參閱 搭配 Aurora Postgre 使用 Aurora 機器學習的效能考量SQL。

搭配 Aurora PostgreSQL 資料庫叢集使用 SageMaker AI

在設定 SageMaker AI 環境並與 中所述的 Aurora PostgreSQL 整合之後設定 Aurora PostgreSQL 以使用 Amazon SageMaker AI ，您可以使用 aws_sagemaker.invoke_endpoint函數叫用 操作。aws_sagemaker.invoke_endpoint 函數只會連線到相同 AWS 區域中的模型端點。如果您的資料庫執行個體有多個 AWS 區域 複本，請務必設定每個 SageMaker AI 模型並將其部署到每個模型 AWS 區域。

對 的呼叫aws_sagemaker.invoke_endpoint會使用您設定IAM的角色進行驗證，以將 Aurora PostgreSQL 資料庫叢集與 SageMaker AI 服務和您在設定程序期間提供的端點建立關聯。 SageMaker AI 模型端點的範圍是個別帳戶，而且不是公開的。endpoint_name URL 不包含帳戶 ID。 SageMaker AI 會從資料庫執行個體的 SageMaker AI IAM角色提供的身分驗證字符中決定帳戶 ID。

此函數的輸入和輸出如下。

建立使用者定義的函數以叫用 SageMaker AI 模型

建立個別的使用者定義函數，aws_sagemaker.invoke_endpoint以呼叫每個 SageMaker AI 模型。您的使用者定義函數代表託管模型的 SageMaker AI 端點。aws_sagemaker.invoke_endpoint 函數會在使用者定義函數內執行。使用者定義函數提供許多優點：

若要指定使用者定義的函數，請使用SQL資料定義語言 (DDL) 陳述式 CREATE FUNCTION。在您定義函數時，您可以指定以下內容：

在輸入參數上執行模型後，使用者定義的函數會傳回 SageMaker AI 端點計算的推論。下列範例會為具有兩個輸入參數的 SageMaker AI 模型建立使用者定義的函數。

CREATE FUNCTION classify_event (IN arg1 INT, IN arg2 DATE, OUT category INT)
AS $$
    SELECT aws_sagemaker.invoke_endpoint (
        'sagemaker_model_endpoint_name', NULL,
        arg1, arg2                        -- model inputs are separate arguments
        )::INT                            -- cast the output to INT
$$ LANGUAGE SQL PARALLEL SAFE COST 5000;

注意下列事項：

將陣列做為輸入傳遞至 SageMaker AI 模型

aws_sagemaker.invoke_endpoint 函數最多可有 100 個輸入參數，這是 PostgreSQL 函數的限制。如果 SageMaker AI 模型需要超過 100 個相同類型的參數，請將模型參數做為陣列傳遞。

下列範例定義 函數，將陣列做為輸入傳遞至 SageMaker AI 迴歸模型。輸出會轉換為 REAL 值。

CREATE FUNCTION regression_model (params REAL[], OUT estimate REAL)
AS $$
    SELECT aws_sagemaker.invoke_endpoint (
      'sagemaker_model_endpoint_name',
      NULL,
      params                            
      )::REAL
$$ LANGUAGE SQL PARALLEL SAFE COST 5000;

叫用 SageMaker AI 模型時指定批次大小

下列範例會為 SageMaker AI 模型建立使用者定義的函數，將批次大小預設為 NULL。該函數也允許您在呼叫時提供不同的批次大小。

CREATE FUNCTION classify_event (
    IN event_type INT, IN event_day DATE, IN amount REAL, -- model inputs
    max_rows_per_batch INT DEFAULT NULL,  -- optional batch size limit
    OUT category INT)                     -- model output
AS $$
    SELECT aws_sagemaker.invoke_endpoint (
        'sagemaker_model_endpoint_name', max_rows_per_batch,
        event_type, event_day, COALESCE(amount, 0.0)
        )::INT              -- casts output to type INT
$$ LANGUAGE SQL PARALLEL SAFE COST 5000;

注意下列事項：

叫用具有多個輸出的 SageMaker AI 模型

下列範例會為傳回多個輸出的 SageMaker AI 模型建立使用者定義的函數。您的函數需要將 aws_sagemaker.invoke_endpoint 函數的輸出轉換成對應的資料類型。例如，您可以使用 (x，y) 對的內建 PostgreSQL 點類型或使用者定義的複合類型。

這個使用者定義函數會針對輸出，使用複合類型從傳回多個輸出的模型傳回值。

CREATE TYPE company_forecasts AS ( 
    six_month_estimated_return real,
    one_year_bankruptcy_probability float);
CREATE FUNCTION analyze_company (
    IN free_cash_flow NUMERIC(18, 6),
    IN debt NUMERIC(18,6),
    IN max_rows_per_batch INT DEFAULT NULL,
    OUT prediction company_forecasts) 
AS $$
    SELECT (aws_sagemaker.invoke_endpoint('endpt_name',
       max_rows_per_batch,free_cash_flow, debt))::company_forecasts;                                                                                                                  
$$ LANGUAGE SQL PARALLEL SAFE COST 5000;

針對複合類型，請根據欄位在模型中的順序，以相同順序使用欄位，並將 aws_sagemaker.invoke_endpoint 的輸出轉換成您的複合類型。呼叫者可以依名稱或使用 PostgreSQL ".*" 表示法擷取個別欄位。

將資料匯出至 Amazon S3 以進行 SageMaker AI 模型訓練 （進階）

我們建議您使用提供的演算法和範例來熟悉 Aurora 機器學習和 SageMaker AI，而不是嘗試訓練自己的模型。如需詳細資訊，請參閱開始使用 Amazon SageMaker AI

若要訓練 SageMaker AI 模型，請將資料匯出至 Amazon S3 儲存貯體。AI 會使用 Amazon S3 儲存貯體 SageMaker ，在部署模型之前訓練模型。您可以從 Aurora PostgreSQL 資料庫叢集查詢資料，並將其直接儲存到存放在 Amazon S3 儲存貯體中的文字檔案中。然後 SageMaker ，AI 會使用來自 Amazon S3 儲存貯體的資料進行訓練。如需 SageMaker AI 模型訓練的詳細資訊，請參閱使用 Amazon SageMaker AI 訓練模型。

如需匯出您資料的詳細資訊，請參閱 將資料從 Aurora PostgreSQL 資料庫叢集匯出至 Amazon S3。

搭配 Aurora Postgre 使用 Aurora 機器學習的效能考量SQL

Amazon Comprehend 和 SageMaker AI 服務在被 Aurora 機器學習函數調用時，會執行大部分的工作。這表示您可以視需要獨立擴展這些資源。對於 Aurora PostgreSQL 資料庫叢集，您可以盡可能有效率地進行函數呼叫。接下來，您可以在使用 Aurora Postgre 的 Aurora 機器學習時，找到一些需要注意的效能考量事項SQL。

了解批次模式和 Aurora Machine Learning 函數

一般而言，PostgreSQL 一次執行一列函數。Aurora Machine Learning 可以採用稱為「批次模式執行」的方法，透過將許多資料列對外部 Aurora Machine Learning 服務的呼叫合併成批次，來減少這項額外負荷。在批次模式中，Aurora Machine Learning 會收到輸入資料列批次的回應，然後一次針對單一資料列將回應交付回正在執行的查詢。此最佳化可改善 Aurora 查詢的輸送量，而不會限制 PostgreSQL 查詢最佳化工具。

如果函數是從 SELECT 清單、WHERE 子句或 HAVING 子句進行推論，Aurora 會自動使用批次模式。請注意，最上層的簡易 CASE 表達式適用批次模式執行。如果第一個 CASE 子句是包含批次模式函數呼叫的簡易述詞，則最上層的搜尋 WHEN 表達式也適用批次模式執行。

您的使用者定義函數必須是 LANGUAGE SQL 函數，且應指定 PARALLEL SAFE 和 COST 5000。

從 SELECT陳述式到 FROM子句的函數遷移

通常，Aurora 會自動將適用批次模式執行的 aws_ml 函數遷移至 FROM 子句。

將合格批次模式函數遷移至FROM子句時，可以在每個查詢層級上手動檢查。若要這樣做，您可以使用EXPLAIN陳述式 ( 和 ANALYZE和 VERBOSE)，並在每個批次模式 下方找到「批次處理」資訊Function Scan。您也可以使用 EXPLAIN（搭配 VERBOSE)，而無需執行查詢。您接著可以觀察對函數的呼叫在並未於原始陳述式中指定的巢狀迴圈聯結下方，是否顯示為 Function Scan。

在以下範例中，計劃中的巢狀迴圈聯結運算子會顯示 Aurora 遷移了 anomaly_score 函數。它會將此函數從SELECT清單遷移至子FROM句，並在其中符合批次模式執行的資格。

EXPLAIN (VERBOSE, COSTS false) 
SELECT anomaly_score(ts.R.description) from ts.R;
                         QUERY PLAN                          
-------------------------------------------------------------
 Nested Loop
   Output: anomaly_score((r.description)::text)
   ->  Seq Scan on ts.r
         Output: r.id, r.description, r.score
   ->  Function Scan on public.anomaly_score
         Output: anomaly_score.anomaly_score
         Function Call: anomaly_score((r.description)::text)

如要停止批次模式執行，請將 apg_enable_function_migration 參數設為 false。這可防止aws_ml函數從 遷移SELECT至 FROM子句。以下顯示作法。

SET apg_enable_function_migration = false;

apg_enable_function_migration 參數是 Grand Unified Configuration (GUC) 參數，由 Aurora PostgreSQL apg_plan_mgmt延伸模組識別以進行查詢計劃管理。如要停用工作階段中的函數遷移，請使用查詢計劃管理來將結果計劃儲存為 approved 計劃。在執行時間，查詢計劃管理會透過其 approved 設定，強制實行 apg_enable_function_migration 計劃。無論apg_enable_function_migrationGUC參數設定為何，都會執行此強制執行。如需詳細資訊，請參閱管理 Aurora PostgreSQL 的查詢執行計劃。

使用 max_rows_per_batch 參數

aws_comprehend.detect_sentiment 和 aws_sagemaker.invoke_endpoint 函數都有一個 max_rows_per_batch 參數。此參數會指定可傳送至 Aurora Machine Learning 服務的資料列數目。您的函數處理的資料集越大，您的批次大小就越大。

批次模式函數會透過建置資料列批次，將 Aurora Machine Learning 函數呼叫的成本分散到大量的資料列，來改善效率。但是，如果 SELECT 陳述式因為 LIMIT 子句而提前完成，則可以針對比查詢所使用資料列數更多的資料列建構批次。這種方法可能會對您的帳戶產生額外費用 AWS 。如要利用批次模式執行的優點，同時避免建置過大的批次，請在您的函數呼叫中針對 max_rows_per_batch 參數使用較小的值。

如果您執行的查詢 EXPLAIN (VERBOSE、ANALYZE) 使用批次模式執行，您會看到位於巢狀迴圈聯結下方的 FunctionScan 運算子。EXPLAIN 報告的迴圈數等於您從 FunctionScan 運算子擷取資料列的次數。如果陳述式使用 LIMIT子句，則擷取數量會一致。如要最佳化批次大小，請將 max_rows_per_batch 參數設為這個值。但是，如果在 WHERE 子句或 HAVING 子劇中的述詞內參考批次模式函數，您便可能無法事先得知擷取數。在此情況下，請使用迴圈做為準則並針對 max_rows_per_batch 進行實驗，尋找最佳化效能的設定。

驗證批次模式執行

要查看函數是否以批次處理模式執行，請使用 EXPLAIN ANALYZE。如果使用了批次模式執行，則查詢計劃會在「批次處理」區段包含資訊。

EXPLAIN ANALYZE SELECT user-defined-function();
 Batch Processing: num batches=1 avg/min/max batch size=3333.000/3333.000/3333.000
                                avg/min/max batch call time=146.273/146.273/146.273

在此範例中，有 1 個包含了 3,333 個資料列的批次，其處理的時間為 146.273 毫秒。「批次處理」區段會顯示以下內容：

通常最後一個批次會比其餘批次小，並且通常會導致比平均小許多的批次大小下限。

如要更快地傳回前幾個資料列，請將 max_rows_per_batch 參數設為較小的值。

如要在您於使用者定義函數中使用 LIMIT 時減少對 ML 服務的批次模式呼叫數，請將 max_rows_per_batch 參數設為較小的值。

使用平行查詢處理改善回應時間

若要從大量資料列中盡快取得結果，您可以將平行查詢處理與批次模式處理結合。您可以針對 SELECT、CREATE TABLE AS SELECT 和 CREATE MATERIALIZED VIEW 陳述式使用平行查詢處理。

平行查詢處理會在資料庫和 ML 服務中進行。資料庫執行個體類別中的核心數會限制執行查詢時所能使用的平行處理程度。資料庫伺服器可以建構平行查詢執行計劃，分割一組平行工作者中的任務。然後，這些工作者都可以各自建置批次請求，其中包含了成千上萬個資料列 (或是每個服務允許的最大數量)。

所有平行工作者的批次請求都會傳送至 SageMaker AI 端點。端點可支援的平行處理程度受制於支援它的執行個體數目和類型。對於 K 程度的平行處理，您需要至少具有 K 個核心的資料庫執行個體類別。您也需要為模型設定 SageMaker AI 端點，讓 K 初始執行個體具有足夠高效能的執行個體類別。

若要使用平行查詢處理，您可以設定包含您計劃傳遞資料資料表的 parallel_workers 儲存參數。您可以將 parallel_workers 設為批次模式函數，例如 aws_comprehend.detect_sentiment。如果最佳化工具選擇平行查詢計畫，ML AWS 服務可以批次和平行呼叫。

您可以搭配 aws_comprehend.detect_sentiment 函數使用下列參數，取得具備四向平行處理的計劃。如果變更下列兩個參數之一，您必須重新啟動資料庫執行個體，變更才會生效

-- SET max_worker_processes to 8;  -- default value is 8
-- SET max_parallel_workers to 8;  -- not greater than max_worker_processes
SET max_parallel_workers_per_gather to 4;  -- not greater than max_parallel_workers

-- You can set the parallel_workers storage parameter on the table that the data
-- for the Aurora machine learning function is coming from in order to manually override the degree of
-- parallelism that would otherwise be chosen by the query optimizer
--
ALTER TABLE yourTable SET (parallel_workers = 4);

-- Example query to exploit both batch-mode execution and parallel query
EXPLAIN (verbose, analyze, buffers, hashes) 
SELECT aws_comprehend.detect_sentiment(description, 'en')).*
FROM yourTable
WHERE id < 100;

如需控制平行查詢的詳細資訊，請參閱 PostgreSQL 文件中的平行計劃。

使用具體化檢視和具體化資料行

當您從資料庫叫用 SageMaker AI 或 Amazon Comprehend 等 AWS 服務時，會根據該服務的定價政策向您的帳戶收費。若要將帳戶的費用降至最低，您可以將呼叫 AWS 服務的結果具體化為具體化資料欄，以便每個輸入列呼叫 AWS 服務不超過一次。如果需要，您可以新增 materializedAt 時間戳記資料行，記錄具體化資料行的時間。

一般單一資料列 INSERT 陳述式的延遲通常會比呼叫批次模式函數的延遲要小得多。因此，如果您針對您應用程式執行 INSERT 的每個單一資料列呼叫批次模式函數，您便可以無法滿足應用程式的延遲需求。若要將呼叫 AWS 服務的結果具體化為具體化資料欄，高效能應用程式通常需要填入具體化資料欄。為了執行此作業，這些應用程式通常會發出 UPDATE 陳述式，同時在大型的資料列批次上運作。

UPDATE 會採用資料列層級鎖定，可能影響正在執行的應用程式。因此，您可能需要使用 SELECT ... FOR UPDATE SKIP LOCKED，或是使用 MATERIALIZED VIEW。

在大量資料列上即時運作的分析查詢可以將批次模式具體化與即時處理合併。為了執行此作業，這些查詢會將預先具體化結果的 UNION ALL 與尚未包含具體化結果的資料列查詢結合。在某些情況下，許多位置都需要該 UNION ALL，或是由第三方應用程式產生查詢。若是如此，您可以建立 VIEW來封裝UNION ALL操作，如此此詳細資訊就不會公開到SQL應用程式的其餘部分。

您可以使用具體化檢視來及時具體化快照中任意 SELECT 陳述式的結果。您也可以使用具體化檢視來在未來隨時重新整理具體化檢視。目前 PostgreSQL 不支援增量重新整理，因此每次重新整理具體化視觀表時，都會完全重新計算具體化視觀表。

您可以使用 CONCURRENTLY 選項重新整理具體化檢視，更新具體化檢視的內容，而無須採取獨佔鎖定。這樣做可讓SQL應用程式在重新整理時從具體化檢視中讀取。

監控 Aurora Machine Learning

您可以將自訂資料庫叢集參數群組中的 track_functions 參數設定為 all 來監控 aws_ml 函數。根據預設，此參數會設定為 pl，表示只會追蹤程序語言函數。藉由將其變更為 all，也會追蹤 aws_ml 函數。如需詳細資訊，請參閱 PostgreSQL 文件中的執行時間統計資料。

如需有關監控 Aurora 機器學習函數呼叫之 SageMaker AI 操作效能的資訊，請參閱《Amazon SageMaker AI 開發人員指南》中的監控 Amazon SageMaker AI。

將 track_functions 設為 all 後，您可以查詢 pg_stat_user_functions 檢視，以取得有關您定義並用來叫用 Aurora Machine Learning 服務之函數的統計資料。對於每個函數，檢視會提供 calls、total_time 和 self_time 的數目。

若要檢視 aws_sagemaker.invoke_endpoint 和 aws_comprehend.detect_sentiment 函數的統計資料，您可以使用下列查詢依結構描述名稱篩選結果。

SELECT * FROM pg_stat_user_functions 
    WHERE schemaname 
    LIKE 'aws_%';

若要清除統計資料，請執行以下操作。

SELECT pg_stat_reset();

您可以查詢 PostgreSQL pg_proc系統目錄，取得呼叫aws_sagemaker.invoke_endpoint該函數的SQL函數名稱。此目錄存放函數、程序等的相關資訊。如需詳細資訊，請參閱 PostgreSQL 文件中的 pg_proc。以下是查詢資料表以取得函數 (proname) 的名稱，這些名稱的來源 (prosrc) 包括文字 invoke_endpoint。

SELECT proname FROM pg_proc WHERE prosrc LIKE '%invoke_endpoint%';