将 Amazon Aurora 机器学习与 Aurora PostgreSQL 结合使用

通过将 Amazon Aurora 机器学习与您的 Aurora PostgreSQL 数据库集群结合使用，您可以根据需要使用 Amazon Comprehend、Amazon SageMaker 或 Amazon Bedrock。这些服务各自支持特定的机器学习使用案例。

只有某些 Amazon Web Services 区域 和特定版本的 Aurora PostgreSQL 才支持 Aurora 机器学习。在尝试设置 Aurora 机器学习之前，请检查您的 Aurora PostgreSQL 版本和区域的可用性。有关详细信息，请参阅使用 Aurora PostgreSQL 的 Aurora 机器学习。

将 Aurora 机器学习与 Aurora PostgreSQL 结合使用的要求

Amazon 机器学习服务是在其自己的生产环境中设置和运行的托管式服务。Aurora 机器学习支持与 Amazon Comprehend、SageMaker 和 Amazon Bedrock 相集成。在尝试将 Aurora PostgreSQL 数据库集群设置为使用 Aurora 机器学习之前，请务必了解以下要求和先决条件。

Aurora 机器学习与 Aurora PostgreSQL 结合使用时支持的功能和限制

Aurora 机器学习通过 ContentType 的 text/csv 值支持任何可读取和写入逗号分隔值（CSV）格式的 SageMaker 端点。目前接受此格式的内置 SageMaker 算法有以下几种。

将 Amazon Bedrock 与 Aurora 机器学习结合使用时，以下限制适用：

设置 Aurora PostgreSQL 数据库集群以使用 Aurora 机器学习

要让 Aurora 机器学习与您的 Aurora PostgreSQL 数据库集群结合使用，您需要为您要使用的每项服务创建一个 Amazon Identity and Access Management（IAM）角色。IAM 角色允许您的 Aurora PostgreSQL 数据库集群代表集群使用 Aurora 机器学习服务。您还需要安装 Aurora 机器学习扩展。在以下主题中，您可以找到其中每个 Aurora 机器学习服务的设置过程。

设置 Aurora PostgreSQL 以使用 Amazon Bedrock

在接下来的过程中，您首先创建 IAM 角色和策略，它们授予 Aurora PostgreSQL 代表集群使用 Amazon Bedrock 的权限。然后，您将策略附加到 Aurora PostgreSQL 数据库集群用来与 Amazon Bedrock 结合使用的 IAM 角色。为简单起见，此过程使用 Amazon Web Services Management Console 来完成所有任务。

该角色（及其策略）与 Aurora PostgreSQL 数据库集群相关联。该过程完成后，该角色将在 Current IAM roles for this cluster（此集群的当前 IAM 角色）列表中列出，如下所示。

Amazon Bedrock 的 IAM 设置已完成。通过安装扩展继续设置 Aurora PostgreSQL 以使用 Aurora 机器学习，详见 安装 Aurora 机器学习扩展。

设置 Aurora PostgreSQL 以使用 Amazon Comprehend

在接下来的过程中，您首先创建 IAM 角色和策略，它们授予 Aurora PostgreSQL 代表集群使用 Amazon Comprehend 的权限。然后，您将策略附加到 Aurora PostgreSQL 数据库集群用来与 Amazon Comprehend 结合使用的 IAM 角色。为简单起见，此过程使用 Amazon Web Services Management Console来完成所有任务。

该角色（及其策略）与 Aurora PostgreSQL 数据库集群相关联。该过程完成后，该角色将在 Current IAM roles for this cluster（此集群的当前 IAM 角色）列表中列出，如下所示。

Amazon Comprehend 的 IAM 设置已完成。通过安装扩展继续设置 Aurora PostgreSQL 以使用 Aurora 机器学习，详见 安装 Aurora 机器学习扩展。

设置 Aurora PostgreSQL 以使用 Amazon SageMaker

在为 Aurora PostgreSQL 数据库集群创建 IAM policy 和角色之前，您需要设置 SageMaker 模型且端点可用。

该角色（及其策略）与 Aurora PostgreSQL 数据库集群相关联。该过程完成后，该角色将在 Current IAM roles for this cluster（此集群的当前 IAM 角色）列表中列出。

SageMaker 的 IAM 设置已完成。通过安装扩展继续设置 Aurora PostgreSQL 以使用 Aurora 机器学习，详见 安装 Aurora 机器学习扩展。

设置 Aurora PostgreSQL 以将 Amazon S3 用于 SageMaker（高级）

要将 SageMaker 用于自己的模型，而不是使用 SageMaker 提供的预构建组件，您需要为 Aurora PostgreSQL 数据库集群设置一个 Amazon Simple Storage Service（Amazon S3）桶以供使用。这是一个高级主题，本《Amazon Aurora 用户指南》中没有完整记载。一般过程与集成对 SageMaker 的支持的过程一样，如下所示。

有关基本使用信息，请参阅 将数据导出到 Amazon S3 以进行 SageMaker 模型训练（高级）。

安装 Aurora 机器学习扩展

Aurora 机器学习扩展 aws_ml 1.0 提供了两个函数，您可以使用它们来调用 Amazon Comprehend、SageMaker 服务；而 aws_ml 2.0 提供了两个其它函数，您可以使用它们来调用 Amazon Bedrock 服务。在 Aurora PostgreSQL 数据库集群上安装这些扩展还会为该功能创建管理角色。

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

安装 aws_ml 扩展还会创建 aws_ml 管理角色和两个新架构，如下所示。

rds_superuser 角色被授予 aws_ml 管理角色，并成为这两个 Aurora 机器学习模式的 OWNER。要允许其他数据库用户访问 Aurora 机器学习函数，rds_superuser 需要授予对 Aurora 机器学习函数的 EXECUTE 权限。原定设置情况下，对于这两个 Aurora 机器学习模式中的函数，将从 PUBLIC 中撤销 EXECUTE 权限。

在多租户数据库配置中，您可以通过对您要保护的特定 Aurora 机器学习模式使用 REVOKE USAGE，以阻止租户访问 Aurora 机器学习函数。

将 Amazon Bedrock 与 Aurora PostgreSQL 数据库集群结合使用

对于 Aurora PostgreSQL，Aurora 机器学习提供了以下 Amazon Bedrock 函数来处理文本数据。只有在安装 aws_ml 2.0 扩展并完成所有设置过程后，此函数才可用。有关更多信息，请参阅 设置 Aurora PostgreSQL 数据库集群以使用 Aurora 机器学习。

此函数的输入和输出如下所示。

以下示例说明如何使用 invoke_model 为 Bedrock 调用 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":[]}'
);

此函数的输入和输出如下所示。

以下示例显示了如何使用 Titan Embeddings G1 - 文本嵌入模型为 PostgreSQL I/O 监控视图短语生成嵌入内容。

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;

将 Amazon Comprehend 与 Aurora PostgreSQL 数据库集群结合使用

对于 Aurora PostgreSQL，Aurora 机器学习提供了以下 Amazon Comprehend 函数来处理文本数据。只有在安装 aws_ml 扩展并完成所有设置过程后，此函数才可用。有关更多信息，请参阅 设置 Aurora PostgreSQL 数据库集群以使用 Aurora 机器学习。

此函数的输入和输出如下所示。

在下文中，您可以找到如何使用此函数的示例。

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)

要避免针对每个表行支付多次情绪检测费用，您可以对结果进行具体化。队感兴趣的行执行此操作。例如，正在更新临床医生的笔记，以便只有讲法语（fr）的人才能使用情绪检测功能。

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;

有关优化函数调用的更多信息，请参阅将 Aurora 机器学习与 Aurora PostgreSQL 结合使用的性能注意事项。

将 SageMaker 与 Aurora PostgreSQL 数据库集群结合使用

在如 设置 Aurora PostgreSQL 以使用 Amazon SageMaker 中所述设置 SageMaker 环境并与 Aurora PostgreSQL 集成后，您可以使用 aws_sagemaker.invoke_endpoint 函数调用操作。aws_sagemaker.invoke_endpoint 函数仅连接到同一 Amazon Web Services 区域 中的模型端点。如果您的数据库实例在多个 Amazon Web Services 区域 中有副本，请确保在每个 Amazon Web Services 区域 中设置并部署每个 SageMaker 模型。

对 aws_sagemaker.invoke_endpoint 的调用使用您设置的 IAM 角色进行身份验证，该角色用于将 Aurora PostgreSQL 数据库集群与 SageMaker 服务以及您在设置过程中提供的端点相关联。SageMaker 模型端点的作用域限于单个账户，并且不是公有的。endpoint_name URL 不包含账户 ID。SageMaker 通过由数据库实例的 SageMaker IAM 角色提供的身份验证令牌确定账户 ID。

此函数的输入和输出如下所示。

创建用户定义的函数以调用 SageMaker 模型

创建单独的用户定义的函数来为每个 SageMaker 模型调用 aws_sagemaker.invoke_endpoint。您的用户定义的函数表示托管模型的 SageMaker 端点。aws_sagemaker.invoke_endpoint 函数在用户定义的函数中运行。用户定义的函数提供了许多好处：

要指定用户定义的函数，请使用 SQL 数据定义语言 (DDL) 语句 CREATE FUNCTION。在定义函数时，您指定了以下内容：

用户定义的函数在对输入参数运行模型后，将返回 SageMaker 端点计算的推理。以下示例为带两个输入参数的 SageMaker 模型创建用户定义的函数。

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;

请注意以下几点：

将数组作为输入传递到 SageMaker 模型

aws_sagemaker.invoke_endpoint 函数最多可具有 100 个输入参数，这是 PostgreSQL 函数的限制。如果 SageMaker 模型需要 100 个以上的相同类型的参数，则将模型参数作为数组传递。

以下示例定义一个函数，该函数将数组作为输入传递到 SageMaker 回归模型。输出将强制转换为 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;

在调用 SageMaker 模型时指定批处理大小

以下示例为 SageMaker 模型创建一个用户定义的函数，该函数将批处理大小的默认值设置为 NULL。此外，在您调用该函数时，它可让您提供其他批处理大小。

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;

请注意以下几点：

调用带多个输出的 SageMaker 模型

以下示例为返回多个输出的 SageMaker 模型创建一个用户定义的函数。您的函数需要将 aws_sagemaker.invoke_endpoint 函数的输出强制转换为相应的数据类型。例如，可以将内置 PostgreSQL 点类型用于 (x,y) 对或用户定义的复合类型。

此用户定义的函数将返回一个模型中的值，该模型通过对输出使用复合类型来返回多个输出。

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;

对于复合类型，按照字段在模型输出中的显示顺序来使用字段，并将 aws_sagemaker.invoke_endpoint 的输出强制转换为复合类型。调用方可以按名称或使用 PostgreSQL“.*”表示法来提取各个字段。

将数据导出到 Amazon S3 以进行 SageMaker 模型训练（高级）

我们建议您使用提供的算法和示例来熟悉 Aurora 机器学习和 SageMaker，而不是尝试训练自己的模型。有关更多信息，请参阅 Amazon SageMaker 入门

要训练 SageMaker 模型，请将数据导出到 Amazon S3 存储桶。SageMaker 使用 Amazon S3 存储桶在部署模型之前对其进行训练。您可以从 Aurora PostgreSQL 数据库集群中查询数据，并将数据直接保存到 Amazon S3 存储桶中存储的文本文件。然后，SageMaker 使用 Amazon S3 存储桶中的数据进行训练。有关 SageMaker 模型训练的更多信息，请参阅使用 Amazon SageMaker 训练模型。

有关导出数据的更多信息，请参阅将数据从 Aurora PostgreSQL 数据库集群导出到 Amazon S3。

将 Aurora 机器学习与 Aurora PostgreSQL 结合使用的性能注意事项

Amazon Comprehend 和 SageMaker 服务在由 Aurora 机器学习函数调用时会完成大部分工作。这意味着您可以根据需要独立扩缩这些资源。对于您的 Aurora PostgreSQL 数据库集群，您可以使函数调用尽可能高效。接下来，您可以找到从 Aurora PostgreSQL 中使用 Aurora 机器学习时需要注意的一些性能注意事项。

了解批处理模式和 Aurora 机器学习函数

通常，PostgreSQL 一次运行一行函数。Aurora 机器学习可通过使用称作批处理模式执行的方法，针对多个行将对外部 Aurora 机器学习服务的调用组合为批处理来减少此开销。在批处理模式中，Aurora 机器学习将接收对一批输入行的响应，然后将响应传回正在运行的查询（一次一行）。此优化将提高 Aurora 查询的吞吐量，而不限制 PostgreSQL 查询优化程序。

如果从 SELECT 列表、WHERE 子句或 HAVING 子句引用函数，则 Aurora 会自动使用批处理模式。请注意，顶级的简单 CASE 表达式符合批处理模式执行的条件。顶级搜索的 CASE 表达式符合批处理模式执行的条件，前提是第一个 WHEN 子句是具有批处理模式函数调用的简单谓词。

您的用户定义的函数必须是一个 LANGUAGE SQL 函数，并且应指定 PARALLEL SAFE 和 COST 5000。

从 SELECT 语句到 FROM 子句的函数迁移

通常，Aurora 会自动将符合批处理模式执行条件的 aws_ml 函数迁移到 FROM 子句。

可以在每个查询级别上手动检查合格的批处理模式函数到 FROM 子句的迁移。为此，您可以使用 EXPLAIN 语句（以及 ANALYZE 和 VERBOSE），并在每个批处理模式 Function Scan 下查找“批处理”信息。您也可以在不运行查询的情况下使用 EXPLAIN（以及 VERBOSE）。然后，您可以观察对函数的调用是否在原始语句中未指定的嵌套循环联接下显示为 Function Scan。

在以下示例中，计划中的嵌套循环联接运算符表明 Aurora 已迁移 anomaly_score 函数。它已将此函数从 SELECT 列表迁移到 FROM 子句，其中它符合批处理模式执行的条件。

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)

要禁用批处理模式执行，请将 apg_enable_function_migration 参数设置为 false。这可阻止 aws_ml 函数从 SELECT 迁移到 FROM 子句。下面演示了如何操作。

SET apg_enable_function_migration = false;

apg_enable_function_migration 参数是一个由查询计划管理的 Aurora PostgreSQL apg_plan_mgmt 扩展识别的 Grand Unified Configuration (GUC) 参数。要在会话中禁用函数迁移，请使用查询计划管理将生成的计划另存为 approved 计划。在运行时，查询计划管理会使用其 approved 设置强制执行 apg_enable_function_migration 计划。无论 apg_enable_function_migration GUC 参数设置如何，此强制执行都会发生。有关更多信息，请参阅“管理 Aurora PostgreSQL 的查询执行计划”。

使用 max_rows_per_batch 参数

aws_comprehend.detect_sentiment 和 aws_sagemaker.invoke_endpoint 函数都有一个 max_rows_per_batch 参数。此参数指定可以发送到 Aurora 机器学习服务的行数。函数处理的数据集越大，批处理大小就可以越大。

批处理模式函数通过构建批量行来将 Aurora 机器学习函数调用的成本分散在大量行上，从而提高效率。但是，如果 SELECT 语句因 LIMIT 子句而提前完成，则可以在比查询使用的行更多的行上构建批处理。此方法可能会导致您的 Amazon 账户产生额外费用。要获得批处理模式执行的好处，并避免构建过大的批处理，请在函数调用中使用较小的 max_rows_per_batch 参数值。

如果您执行使用批处理模式执行的查询的 EXPLAIN（VERBOSE、ANALYZE），则嵌套循环联接下方将显示 FunctionScan 运算符。EXPLAIN 报告的循环数等于已从 FunctionScan 运算符提取某个行的次数。如果语句使用了 LIMIT 子句，则提取次数是一致的。要优化批处理的大小，请将 max_rows_per_batch 参数设置为此值。但是，如果批处理模式函数是在 WHERE 子句或 HAVING 子句的谓词中引用的，则您可能无法预先知道提取次数。在此情况下，使用循环作为指南，并尝试使用 max_rows_per_batch 查找可优化性能的设置。

验证批处理模式执行

要查看函数是否在批处理模式下运行，请使用 EXPLAIN ANALYZE。如果使用了批处理模式执行，则查询计划将在“批处理”部分中包含此信息。

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

在此示例中，有 1 个批处理包含 3333 个行，其处理时间为 146.273 毫秒。“批处理”部分显示以下内容：

最后一个批处理通常会小于其余的批处理，这通常会导致最小批处理大小比平均值小得多。

要更快地返回前几行，请将 max_rows_per_batch 参数设置为较小的值。

要在用户定义的函数中使用 LIMIT 时减少对 ML 服务的批处理模式调用的次数，请将 max_rows_per_batch 参数设置为较小的值。

通过并行查询处理缩短响应时间

要尽快从大量行中获取结果，可以将并行查询处理与批处理模式处理结合使用。您可以对 SELECT、CREATE TABLE AS SELECT 和 CREATE MATERIALIZED VIEW 语句使用并行查询处理。

并行查询处理可同时在数据库和 ML 服务内进行。数据库实例类中的核心数将限制运行查询时可使用的并行度。数据库服务器可以构建并行查询执行计划，来将任务划分到一组并行工作线程中。随后，所有这些工作线程都能构建包含数万个（或每个服务允许的数量）行的批处理的请求。

来自所有并行工件的批处理请求将发送到 SageMaker 端点。端点可以支持的并行度受支持此端点的实例的数量和类型所约束。要获得 K 并行度，您需要一个具有至少 K 个核心的数据库实例类。您还需要为模型配置 SageMaker 端点，以具有性能足够高的实例类的 K 个初始实例。

要使用并行查询处理，您可以为包含您计划传递的数据的表设置 parallel_workers 存储参数。将 parallel_workers 设置为批处理模式函数，例如 aws_comprehend.detect_sentiment。如果优化程序选择并行查询计划，则可以批量调用和并行调用Amazon ML 服务。

可以将以下参数与 aws_comprehend.detect_sentiment 函数结合使用来获取具有四向并行度的计划。如果您更改以下两个参数中的任一参数，则必须重新启动数据库实例才能使更改生效。

-- 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;

有关控制并行查询的更多信息，请参阅 PostgreSQL 文档中的并行计划。

使用具体化视图和具体化列

当您从数据库中调用Amazon服务（例如 SageMaker 或 Amazon Comprehend）时，将根据该服务的定价策略向您的账户收费。要最大程度地减少向您的账户收取的费用，您可以将调用 Amazon 服务的结果具体化为一个具体化列，以便针对每个输入行调用 Amazon 服务的次数不会超过一次。如果需要，您可以添加 materializedAt 时间戳列来记录将列具体化的时间。

通用的单行 INSERT 语句的延迟通常比调用批处理模式函数的延迟短得多。因此，如果您为应用程序执行的每个单行 INSERT 调用批处理模式函数，则可能无法满足应用程序的延迟要求。要将调用 Amazon 服务的结果具体化为一个具体化列，高性能的应用程序通常需要填充具体化列。为此，它们会定期发布同时在大批行上运行的 UPDATE 语句。

UPDATE 接受可能影响正在运行的应用程序的行级锁定。因此，您可能需要使用 SELECT ... FOR UPDATE SKIP LOCKED，或使用 MATERIALIZED VIEW。

针对大量的行实时运行的分析查询可以将批处理模式具体化与实时处理相结合。为此，这些查询会将预具体化结果的 UNION ALL 与对尚没有具体化结果的行执行的查询相结合。在某些情况下，多个位置需要此类 UNION ALL，否则查询将由第三方应用程序生成。如果是这样，您可以创建一个 VIEW 来封装 UNION ALL 操作，以便不向 SQL 应用程序的其余部分公开此详细信息。

您可以使用具体化视图在即时快照中具体化任意 SELECT 语句的结果。您还可以将来随时使用它刷新具体化视图。目前，PostgreSQL 不支持增量刷新，因此每次刷新具体化视图时，都会完全重新计算具体化视图。

可以使用 CONCURRENTLY 选项刷新具体化视图，这将在不使用排他锁的情况下更新具体化视图的内容。通过执行此操作，使 SQL 应用程序能够在刷新具体化视图时从该视图中进行读取。

监控 Aurora 机器学习

您可以通过将自定义数据库集群参数组中的 track_functions 参数设置为 all 来监控 aws_ml 函数。原定设置情况下，此参数设置为 pl，这意味着仅跟踪过程语言函数。通过将其更改为 all，还可以跟踪 aws_ml 函数。有关更多信息，请参阅 PostgreSQL 文档中的运行时统计数据。

有关监控从 Aurora 机器学习函数调用的 SageMaker 操作的性能的信息，请参阅《Amazon SageMaker 开发人员指南》中的监控 Amazon SageMaker。

在将 track_functions 设置为 all 时，您可以查询 pg_stat_user_functions 视图，以获取有关您定义和用于调用 Aurora 机器学习服务的函数的统计数据。对于每个函数，该视图提供 calls、total_time 和 self_time 的数量。

要查看 aws_sagemaker.invoke_endpoint 和 aws_comprehend.detect_sentiment 函数的统计数据，您可以使用以下查询按模式名称筛选结果。

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

要清除统计数据，请执行以下操作。

SELECT pg_stat_reset();

您可以通过查询 PostgreSQL pg_proc 系统目录来获取调用 aws_sagemaker.invoke_endpoint 函数的 SQL 函数的名称。该目录存储有关函数、过程等的信息。有关更多信息，请参阅 PostgreSQL 文档中的 pg_proc。下面的示例查询该表，以获取其源代码（prosrc）包含文本 invoke_endpoint 的函数的名称（proname）。

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