Habilitación de las extensiones Aurora PostgreSQL en el clúster de la base de datos de Babelfish Uso de Babelfish con Simple Storage Service (Amazon S3)Uso de Babelfish con AWS Lambda Uso de pg_stat_statements en Babelfish Uso de pgvector en Babelfish Uso de machine learning de Amazon Aurora con Babelfish

Uso de las extensiones Aurora PostgreSQL con Babelfish

Aurora PostgreSQL proporciona extensiones para trabajar con otros servicios de AWS. Se trata de extensiones opcionales que admiten varios casos de uso, como el uso de Simple Storage Service (Amazon S3) con su clúster de bases de datos para importar o exportar datos.

Para importar datos desde un bucket de Amazon S3 al clúster de base de datos de Babelfish, debe configurar la extensión aws_s3 Aurora PostgreSQL. Esta extensión también le permite exportar datos desde el clúster de la base de datos de Aurora PostgreSQL a un bucket de Simple Storage Service (Amazon S3).
AWS Lambda es un servicio automático que permite ejecutar código sin aprovisionar ni administrar servidores. Puede usar funciones de Lambda para hacer cosas como procesar notificaciones de eventos desde su instancia de base de datos. Para obtener más información sobre Lambda, consulte ¿Qué es AWS Lambda? en la Guía para desarrolladores de AWS Lambda. Para invocar funciones de Lambda desde el clúster de Babelfish, debe configurar la extensión aws_lambda Aurora PostgreSQL.

A fin de configurar estas extensiones para el clúster de Babelfish, primero debe conceder permiso al usuario interno de Babelfish para cargar las extensiones. Después de conceder el permiso, puede cargar las extensiones Aurora PostgreSQL.

Habilitación de las extensiones Aurora PostgreSQL en el clúster de la base de datos de Babelfish

Antes de poder cargar las extensiones aws_s3 o aws_lambda, debe otorgar los privilegios necesarios al clúster de la base de datos de Babelfish.

El siguiente procedimiento usa la herramienta de la línea de comandos psql PostgreSQL para conectarse al clúster de la base de datos. Para obtener más información, consulte Conexión al clúster de bases de datos mediante psql. También puede usar pgAdmin. Para obtener más información, consulte Uso de pgAdmin para conectarse al clúster de bases de datos.

Este procedimiento carga tanto aws_s3 como aws_lambda, uno tras otro. No es necesario que cargue ambas si desea usar solo una de estas extensiones. La extensión aws_commons es requerida por cada una de ellas y se carga de forma predeterminada como se muestra en la salida.

Para configurar el clúster de la base de datos de Babelfish con privilegios para las extensiones de Aurora PostgreSQL

Conéctese al clúster de base de datos de Babelfish. Use el nombre para el usuario “maestro” (-U) que especificó cuando creó el clúster de bases de datos de Babelfish. El valor predeterminado (postgres) se muestra en los ejemplos.

Para Linux, macOS o Unix:
```
psql -h your-Babelfish.cluster.444455556666-us-east-1.rds.amazonaws.com \
-U postgres \
-d babelfish_db \
-p 5432
```
En Windows:
```
psql -h your-Babelfish.cluster.444455556666-us-east-1.rds.amazonaws.com ^
-U postgres ^
-d babelfish_db ^
-p 5432
```
El comando responde con una solicitud para ingresar la contraseña del nombre de usuario (-U).
```
Password:
```
Ingrese la contraseña del nombre de usuario (-U) para el clúster de bases de datos. Cuando se conecte correctamente, verá una respuesta similar a la siguiente.
```
psql (13.4)
SSL connection (protocol: TLSv1.3, cipher: TLS_AES_256_GCM_SHA384, bits: 256, compression: off)
Type "help" for help.

postgres=>
```
Conceda privilegios al usuario interno de Babelfish para crear y cargar extensiones.
```
babelfish_db=> GRANT rds_superuser TO master_dbo;
GRANT ROLE
```
Cree y cargue la extensión aws_s3. La extensión aws_commons es necesaria y se instala de forma automática cuando se instala el aws_s3.
```
babelfish_db=> create extension aws_s3 cascade;
NOTICE:  installing required extension "aws_commons"
CREATE EXTENSION
```

Cree y cargue la extensión aws_lambda.


babelfish_db=> create extension aws_lambda cascade;
CREATE EXTENSION
babelfish_db=>

Uso de Babelfish con Simple Storage Service (Amazon S3)

Si aún no tiene un bucket de Simple Storage Service (Amazon S3) para usar con su clúster de bases de datos de Babelfish, puede crear uno. Debe proporcionar acceso a cualquier bucket de Simple Storage Service (Amazon S3) que desee usar.

Antes de intentar importar o exportar datos con un bucket de Simple Storage Service (Amazon S3), complete los siguientes pasos de una sola vez.

Para configurar el acceso de la instancia de base de datos de Babelfish al bucket de Simple Storage Service (Amazon S3)

Cree un bucket de Simple Storage Service (Amazon S3) para la instancia de Babelfish, si es necesario. Para ello, siga las instrucciones de Crear un bucket en la Guía del usuario de Amazon Simple Storage Service.
Cargue los archivos en el bucket de Simple Storage Service (Amazon S3). Para ello, siga los pasos de Add an object to a bucket (Agregar un objeto a un bucket) en la Guía del usuario de Amazon Simple Storage Service.
Configure los permisos necesarios:
- Para importar datos de Amazon S3, el clúster de base de datos de Babelfish necesita permiso para acceder al bucket. Se recomienda usar un rol de AWS Identity and Access Management (IAM) y adjuntar una política de IAM a ese rol para el clúster. Para ello, siga los pasos que se indican en Uso de un rol de IAM para obtener acceso a un bucket de Amazon S3.
- Para exportar datos del clúster de base de datos de Babelfish, el clúster debe tener acceso al bucket de Amazon S3. Al igual que con la importación, se recomienda usar un rol y una política de IAM. Para ello, siga los pasos que se indican en Configuración del acceso a un bucket de Amazon S3.

Ahora puede usar Simple Storage Service (Amazon S3) con la extensión aws_s3 con el clúster de base de datos de Babelfish.

Para importar datos de Simple Storage Service (Amazon S3) a Babelfish y para exportar datos de Babelfish a Amazon S3

Use la extensión aws_s3 con el clúster de bases de datos de Babelfish.

Cuando lo haga, asegúrese de hacer referencia a las tablas, tal y como existen en el contexto de PostgreSQL. Es decir, si quiere importar a una tabla de Babelfish llamada [database].[schema].[tableA], haga referencia a esa tabla como database_schema_tableA en la función aws_s3:
- Para ver un ejemplo del uso de una función aws_s3 para importar datos, consulte Importación de datos de Amazon S3 a un clúster de base de datos Aurora PostgreSQL.
- Para ver ejemplos del uso de las funciones de aws_s3 para exportar datos, consulte Exportación de datos de consulta mediante la función aws_s3.query_export_to_s3.
Asegúrese de hacer referencia a las tablas de Babelfish mediante la nomenclatura de PostgreSQL cuando utilice la extensión aws_s3 y Simple Storage Service (Amazon S3), como se muestra en la siguiente tabla.

Tabla de Babelfish	Tabla de Aurora PostgreSQL
`database.schema.table`	`database_schema_table`

Para obtener más información sobre el uso de Simple Storage Service (Amazon S3) con Aurora PostgreSQL, consulte Importación de datos de Amazon S3 en un clúster de base de datos Aurora PostgreSQL y Exportación de datos de una Aurora PostgreSQL de base de datos de clústerde Amazon S3.

Uso de Babelfish con AWS Lambda

Después de cargar la extensión aws_lambda en el clúster de bases de datos de Babelfish, pero antes de poder invocar las funciones de Lambda, debe dar acceso a Lambda al clúster de bases de datos mediante este procedimiento.

Para configurar el acceso al clúster de la base de datos de Babelfish para trabajar con Lambda

Este procedimiento usa la AWS CLI para crear el rol y la política de IAM, así como para asociarlos al clúster de base de datos de Babelfish.

Cree una política de IAM que permita el acceso a Lambda desde el clúster de bases de datos de Babelfish.


aws iam create-policy  --policy-name rds-lambda-policy --policy-document '{
    "Version": "2012-10-17",
    "Statement": [
        {
        "Sid": "AllowAccessToExampleFunction",
        "Effect": "Allow",
        "Action": "lambda:InvokeFunction",
        "Resource": "arn:aws:lambda:aws-region:444455556666:function:my-function"
        }
    ]
}'

Cree un rol de IAM que la política pueda asumir en tiempo de ejecución.


aws iam create-role  --role-name rds-lambda-role --assume-role-policy-document '{
    "Version": "2012-10-17",
    "Statement": [
        {
        "Effect": "Allow",
        "Principal": {
            "Service": "rds.amazonaws.com"
        },
        "Action": "sts:AssumeRole"
        }
    ]
}'

Asocie la política de al rol.


aws iam attach-role-policy \
    --policy-arn arn:aws:iam::444455556666:policy/rds-lambda-policy \
    --role-name rds-lambda-role --region aws-region

Adjunte el rol al clúster de base de datos de Babelfish.


aws rds add-role-to-db-cluster \
       --db-cluster-identifier my-cluster-name \
       --feature-name Lambda \
       --role-arn  arn:aws:iam::444455556666:role/rds-lambda-role   \
       --region aws-region

Después de completar estas tareas, puede invocar las funciones de Lambda. Para obtener más información y ejemplos de configuración de AWS Lambda para el clúster de bases de datos de Aurora PostgreSQL con AWS Lambda, consulte Paso 2: configure IAM para su clúster de base de datos de Aurora PostgreSQL y AWS Lambda..

Para invocar una función Lambda desde el clúster de bases de datos de Babelfish

AWS Lambda admite funciones escritas en Java, Node.js, Python, Ruby y otros lenguajes. Si la función devuelve texto cuando se invoca, puede invocarla desde el clúster de bases de datos de Babelfish. El siguiente ejemplo es una función Python de marcador de posición que muestra un saludo.


lambda_function.py
import json
def lambda_handler(event, context):
    #TODO implement
    return {
        'statusCode': 200,
        'body': json.dumps('Hello from Lambda!')

Actualmente, Babelfish no es compatible con JSON. Si la función devuelve JSON, debe usar una capa para gestionar el resultado JSON. Por ejemplo, digamos que lambda_function.py, como hemos mostrado anteriormente, se almacena en Lambda como my-function.

Conéctese al clúster de bases de datos de Babelfish con el cliente psql (o el cliente pgAdmin). Para obtener más información, consulte Conexión al clúster de bases de datos mediante psql.

Cree la capa. En este ejemplo se usa el lenguaje procedimental de PostgreSQL para SQL, PL/pgSQL. Para obtener más información, consulte PL/pgSQL–SQL Procedural Language (Lenguaje procedimental PL/pgSQL-SQL).


create or replace function master_dbo.lambda_wrapper()
returns text
language plpgsql
as
$$
declare
   r_status_code integer;
   r_payload text;
begin
   SELECT payload INTO r_payload
     FROM aws_lambda.invoke(  aws_commons.create_lambda_function_arn('my-function', 'us-east-1')
                            ,'{"body": "Hello from Postgres!"}'::json );
   return r_payload ;
end;
$$;

La función ahora se puede ejecutar desde el puerto TDS de Babelfish (1433) o desde el puerto de PostgreSQL (5433).

Para invocar (llamar) esta función desde el puerto de PostgreSQL:


SELECT * from aws_lambda.invoke(aws_commons.create_lambda_function_arn('my-function', 'us-east-1'), '{"body": "Hello from Postgres!"}'::json );

El resultado es similar al siguiente:


status_code |                        payload                        | executed_version | log_result
-------------+-------------------------------------------------------+------------------+------------
         200 | {"statusCode": 200, "body": "\"Hello from Lambda!\""} | $LATEST          |
(1 row)

Para invocar (llamar) esta función desde el puerto TDS, conéctese al puerto con el cliente de línea de comandos sqlcmd de SQL Server. Para obtener más información, consulte Uso de un cliente de SQL Server para conectarse al clúster de su base de datos. Cuando se haya conectado, ejecute lo siguiente:
```
1> select lambda_wrapper();
2> go
```
El comando devuelve un resultado similar al siguiente:
```
{"statusCode": 200, "body": "\"Hello from Lambda!\""}
```

Para obtener más información sobre el uso de Lambda con Aurora PostgreSQL, consulte Invocar una función de AWS Lambda desde un clúster de base de datos de Aurora PostgreSQL. Para obtener más información acerca de cómo trabajar con las funciones de Lambda, consulte Introducción a Lambda en la Guía para desarrolladores de AWS Lambda.

Uso de pg_stat_statements en Babelfish

Babelfish para Aurora PostgreSQL admite la extensión pg_stat_statements desde la versión 3.3.0 Para obtener más información, consulte pg_stat_statements.

Para obtener más información sobre la versión de esta extensión que admite Aurora PostgreSQL, consulte las versiones de extensiones.

Creación de la extensión pg_stat_statements

Para activar pg_stat_statements, debes activar el cálculo del identificador de consulta. Esto se hace automáticamente si compute_query_id está establecido en on o auto en el grupo de parámetros. El valor predeterminado del parámetro compute_query_id es auto. También debe crear esta extensión para activar esta función. Utilice el siguiente comando para instalar la extensión desde el punto de conexión de T-SQL:


				
1>EXEC sp_execute_postgresql 'CREATE EXTENSION pg_stat_statements WITH SCHEMA sys';

Puede acceder a las estadísticas de la consulta de la siguiente forma:



postgres=>select * from pg_stat_statements;

nota

Durante la instalación, si no proporciona el nombre de esquema de la extensión, de forma predeterminada, la creará en un esquema público. Para acceder a él, debe usar corchetes con el calificador de esquema, como se muestra a continuación:


postgres=>select * from [public].pg_stat_statements;

También puede crear la extensión desde el punto de conexión de PSQL.

Autorización de la extensión

De forma predeterminada, puede ver las estadísticas de las consultas realizadas en su base de datos de T-SQL sin necesidad de autorización alguna.

Para acceder a las estadísticas de consultas creadas por otros usuarios, debe tener el rol de pg_read_all_stats de PostgreSQL. Siga los pasos que se mencionan a continuación para crear el comando GRANT pg_read_all_stats.

En T-SQL, utilice la siguiente consulta que devuelve el nombre del rol de PG interno.
```
SELECT rolname FROM pg_roles WHERE oid = USER_ID();
```
Conéctese a la base de datos Babelfish para Aurora PostgreSQL con privilegios de rds_superuser y utilice el siguiente comando:
```
GRANT pg_read_all_stats TO <rolname_from_above_query>
```

Ejemplo

Desde el punto de conexión de T-SQL:


1>SELECT rolname FROM pg_roles WHERE oid = USER_ID();
2>go



rolname
-------
master_dbo
(1 rows affected)

Desde el punto de conexión de PSQL:


babelfish_db=# grant pg_read_all_stats to master_dbo;


GRANT ROLE

Puede acceder a las estadísticas de la consulta mediante la vista pg_stat_statements:


1>create table t1(cola int);
2>go
1>insert into t1 values (1),(2),(3);
2>go


(3 rows affected)


1>select userid, dbid, queryid, query from pg_stat_statements;
2>go



userid dbid queryid             query
------ ---- -------             -----
37503 34582 6487973085327558478 select * from t1
37503 34582 6284378402749466286 SET QUOTED_IDENTIFIER OFF
37503 34582 2864302298511657420 insert into t1 values ($1),($2),($3)
10    34582 NULL                <insufficient privilege>
37503 34582 5615368793313871642 SET TEXTSIZE 4096
37503 34582 639400815330803392  create table t1(cola int)
(6 rows affected)

Restablecer las estadísticas de las consultas

Puede utilizar pg_stat_statements_reset() para restablecer las estadísticas recopiladas hasta ahora por pg_stat_statements. Para obtener más información, consulte pg_stat_statements. Actualmente, solo se admite a través del punto de conexión de PSQL. Conéctese a la base de datos Babelfish para Aurora PostgreSQL con privilegios de rds_superuser y utilice el siguiente comando:



SELECT pg_stat_statements_reset();

Limitaciones

Actualmente, no se admite pg_stat_statements() a través del punto de conexión de T-SQL. Se recomienda usar la vista pg_stat_statements para recopilar las estadísticas.
Es posible que algunas de las consultas las reescriba el analizador de T-SQL implementado por el motor de Aurora PostgreSQL; la vista pg_stat_statements mostrará la consulta reescrita en lugar de la original.

Ejemplo
```
select next value for [dbo].[newCounter];
```
La consulta anterior se reescribe de la siguiente manera en la vista pg_stat_statements.
```
select nextval($1);
```
Según el flujo de ejecución de las instrucciones, es posible que pg_stat_statements no realice el seguimiento de algunas consultas y que no se muestren en la vista. Esta política incluye las siguientes instrucciones: use dbname, goto, print, raise error, set, throw, declare cursor.
En las instrucciones CREATE LOGIN y ALTER LOGIN, no se mostrarán los parámetros query ni queryid. Mostrará privilegios insuficientes.
La vista pg_stat_statements siempre contiene las dos entradas siguientes, ya que el cliente sqlcmd las ejecuta internamente.
- DESACTIVAR QUOTED_IDENTIFIER
- ESTABLECER TEXTSIZE 4096

Uso de pgvector en Babelfish

pgvector, una extensión de código abierto, le permite buscar datos similares directamente en la base de datos de Postgres. Babelfish ahora admite esta extensión a partir de las versiones 15.6 y 16.2. Para obtener más información, consulte pgvector Open source Documentation.

Requisitos previos

Para habilitar la funcionalidad pgvector, instale la extensión en el esquema sys mediante uno de los siguientes métodos:

Ejecute el siguiente comando en el cliente sqlcmd:


exec sys.sp_execute_postgresql 'CREATE EXTENSION vector WITH SCHEMA sys';

Conéctese a babelfish_db y ejecute el siguiente comando en el cliente psql:
```
CREATE EXTENSION vector WITH SCHEMA sys;
```

nota

Tras instalar la extensión pgvector, el tipo de datos vectoriales solo estará disponible en las nuevas conexiones de bases de datos que establezca. Las conexiones existentes no reconocerán el nuevo tipo de datos.

Funcionalidad admitida

Babelfish amplía la funcionalidad de T-SQL para admitir lo siguiente:

Almacenamiento

Babelfish ahora admite una sintaxis compatible con tipos de datos vectoriales, lo que mejora su compatibilidad con T-SQL. Para obtener más información sobre el almacenamiento de datos con pgvector, consulte Storing.
Consultas

Babelfish amplía la compatibilidad de expresiones de T-SQL para incluir operadores de similitud vectorial. Sin embargo, para todas las demás consultas, sigue siendo necesaria la sintaxis T-SQL estándar.

nota
T-SQL no admite el tipo Array y los controladores de base de datos no tienen ninguna interfaz para gestionarlos. Como solución alternativa, Babelfish utiliza cadenas de texto (varchar/nvarchar) para almacenar datos vectoriales. Por ejemplo, cuando solicita un valor vectorial [1,2,3], Babelfish devolverá una cadena “[1,2,3]” como respuesta. Puede analizar y dividir esta cadena en la aplicación según sus necesidades.

Para obtener más información sobre la consulta de datos con pgvector, consulte Querying.
Indexación

Create Index de T-SQL ahora admite la sintaxis USING INDEX_METHOD. Ahora puede definir un operador de búsqueda por similitud para usarlo en una columna específica al crear un índice.

La gramática también se ha ampliado para admitir las operaciones de similitud vectorial en la columna requerida (consulte la gramática column_name_list_with_order_for_vector).
```
CREATE [UNIQUE] [clustered] [COLUMNSTORE] INDEX <index_name> ON <table_name> [USING vector_index_method] (<column_name_list_with_order_for_vector>)
Where column_name_list_with_order_for_vector is:
    <column_name> [ASC | DESC] [VECTOR_COSINE_OPS | VECTOR_IP_OPS | VECTOR_L2_OPS] (COMMA simple_column_name [ASC | DESC] [VECTOR_COSINE_OPS | VECTOR_IP_OPS | VECTOR_L2_OPS])
```
Para obtener más información sobre la indexación de datos con pgvector, consulte Indexing.
Rendimiento
- Utilice SET BABELFISH_STATISTICS PROFILE ON para depurar los planes de consultas desde el punto de conexión de T-SQL.
- Aumente max_parallel_workers_get_gather con la función set_config admitida en T-SQL.
- Utilice IVFFlat para búsquedas aproximadas. Para obtener más información, consulte IVFFlat.
Para mejorar el rendimiento con pgvector, consulte Performance.

Limitaciones

Babelfish no admite la búsqueda de texto completo para la búsqueda híbrida. Para obtener más información, consulte Hybrid Search.
Babelfish no admite actualmente la función de volver a indexar. Sin embargo, sigue teniendo la posibilidad de utilizar el punto de conexión de PostgreSQL para volver a indexar. Para obtener más información, consulte Vacuuming.

Uso de machine learning de Amazon Aurora con Babelfish

Puede ampliar las capacidades de su clúster de base de datos de Babelfish para Aurora PostgreSQL integrándolo con machine learning de Amazon Aurora. Esta integración perfecta le otorga acceso a una gama de servicios eficientes como Amazon Comprehend, Amazon SageMaker o Amazon Bedrock, cada uno diseñado para abordar las distintas necesidades de machine learning.

Como usuario de Babelfish, puede utilizar los conocimientos existentes sobre la sintaxis y la semántica de T-SQL cuando trabaje con machine learning de Aurora. Siga las instrucciones que se proporcionan en la documentación de AWS de Aurora PostgreSQL. Para obtener más información, consulte Uso de machine learning de Amazon Aurora con Aurora PostgreSQL.

Requisitos previos

Antes de intentar configurar el clúster de base de datos de Babelfish para Aurora PostgreSQL para usar machine learning de Aurora, asegúrese de comprender los siguientes requisitos y requisitos previos relacionados. Para obtener más información, consulte Requisitos para usar machine learning de Aurora con Aurora PostgreSQL.
Asegúrese de instalar la extensión aws_ml mediante el punto de conexión de Postgres o el procedimiento de almacenamiento sp_execute_postgresql.
```
exec sys.sp_execute_postgresql 'Create Extension aws_ml'
```
nota
Actualmente, Babelfish no admite operaciones en cascada con sp_execute_postgresql en Babelfish. Como aws_ml se basa en aws_commons, deberá instalarlo por separado mediante el punto de conexión de Postgres.
```
create extension aws_common;
```

Tratamiento de la sintaxis y la semántica de T-SQL con funciones `aws_ml`

En los siguientes ejemplos se explica cómo se aplican la sintaxis y la semántica de T-SQL a los servicios de Amazon ML:

ejemplo : aws_bedrock.invoke_model: una consulta sencilla utilizando las funciones de Amazon Bedrock


aws_bedrock.invoke_model(
   model_id      varchar,
   content_type  text,
   accept_type   text,
   model_input   text)
Returns Varchar(MAX)

El siguiente ejemplo muestra cómo invocar un modelo de Anthropic Claude 2 para Bedrock mediante invoke_model.



SELECT aws_bedrock.invoke_model (
    'anthropic.claude-v2', -- model_id
    'application/json', -- content_type
    'application/json', -- accept_type
    '{"prompt": "\n\nHuman:
    You are a helpful assistant that answers questions directly
    and only using the information provided in the context below.
    \nDescribe the answerin 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":[]}' -- model_input
);

ejemplo : aws_comprehend.detect_sentiment: una consulta sencilla utilizando las funciones de Amazon Comprehend



aws_comprehend.detect_sentiment(
   input_text varchar,
   language_code varchar,
   max_rows_per_batch int)
Returns table (sentiment varchar, confidence real)

En el siguiente ejemplo se muestra cómo invocar el servicio de Amazon Comprehend.



select sentiment from aws_comprehend.detect_sentiment('This is great', 'en');

ejemplo : aws_sagemaker.invoke_endpoint: una consulta sencilla utilizando las funciones de Amazon SageMaker


aws_sagemaker.invoke_endpoint(
  endpoint_name varchar,   
  max_rows_per_batch int,
  VARIADIC model_input "any") -- Babelfish inherits PG's variadic parameter type
Rerurns Varchar(MAX)

Puesto que model_input está marcado como VARIADIC y es del tipo “any”, los usuarios pueden pasar una lista de cualquier longitud y tipo de datos a la función, que actuará como entrada o entrada para el modelo. En el siguiente ejemplo se muestra cómo invocar el servicio de Amazon SageMaker.



SELECT CAST (aws_sagemaker.invoke_endpoint(
    'sagemaker_model_endpoint_name',
    NULL,
    arg1, arg2 -- model inputs are separate arguments )
AS INT) -- cast the output to INT

Para obtener información detallada sobre el uso de machine learning de Aurora con Aurora PostgreSQL, consulte Uso de machine learning de Amazon Aurora con Aurora PostgreSQL.

Limitaciones

Aunque Babelfish no permite la creación de matrices, sí puede tratar datos que representen matrices. Cuando se utilizan funciones como aws_bedrock.invoke_model_get_embeddings que devuelven matrices, los resultados se entregan como una cadena que contiene los elementos de la matriz.

Aviso JavaScript está desactivado o no está disponible en su navegador.

Para utilizar la documentación de AWS, debe estar habilitado JavaScript. Para obtener más información, consulte las páginas de ayuda de su navegador.

Convenciones del documento

Uso de sugerencias de consulta de T-SQL para mejorar el rendimiento de las consultas de Babelfish

Babelfish admite servidores enlazados

Uso de las extensiones Aurora PostgreSQL con Babelfish

Habilitación de las extensiones Aurora PostgreSQL en el clúster de la base de datos de Babelfish

Para configurar el clúster de la base de datos de Babelfish con privilegios para las extensiones de Aurora PostgreSQL

Uso de Babelfish con Simple Storage Service (Amazon S3)

Para configurar el acceso de la instancia de base de datos de Babelfish al bucket de Simple Storage Service (Amazon S3)

Para importar datos de Simple Storage Service (Amazon S3) a Babelfish y para exportar datos de Babelfish a Amazon S3

Uso de Babelfish con AWS Lambda

Para configurar el acceso al clúster de la base de datos de Babelfish para trabajar con Lambda

Para invocar una función Lambda desde el clúster de bases de datos de Babelfish

Uso de pg_stat_statements en Babelfish

Creación de la extensión pg_stat_statements

nota

Autorización de la extensión

Ejemplo

Restablecer las estadísticas de las consultas

Limitaciones

Uso de pgvector en Babelfish

Requisitos previos

nota

Funcionalidad admitida

nota

Limitaciones

Uso de machine learning de Amazon Aurora con Babelfish

Requisitos previos

nota

Tratamiento de la sintaxis y la semántica de T-SQL con funciones aws_ml

ejemplo : aws_bedrock.invoke_model: una consulta sencilla utilizando las funciones de Amazon Bedrock

ejemplo : aws_comprehend.detect_sentiment: una consulta sencilla utilizando las funciones de Amazon Comprehend

ejemplo : aws_sagemaker.invoke_endpoint: una consulta sencilla utilizando las funciones de Amazon SageMaker

Limitaciones

Tratamiento de la sintaxis y la semántica de T-SQL con funciones `aws_ml`