[D3T1S01] Gen AI를 위한 Amazon Aurora 활용 사례 방법

© 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved.
AWS DATA & AI ROADSHOW 2024
DalYoung Jung
AWS MySQL Specialist SA
Amazon Aurora with Gen AI
Amazon Aurora에서 생성형 AI 활용하기
YunCheol Ha
AWS Senior PostgreSQL Specialist SA

Amazon Aurora MySQL with Gen AI
2

• 생성형 AI을 어떤 DB업무에 활용 가능할까?
• 생성형 AI를 DB업무에 활용하기 위해선 어떤 지식들이 필요한가?
• Amazon Aurora MySQL 서비스를 Amazon Bedrock 연동하기
• 데모
3
Agenda

증가되는 데이터베이스 관리의 어려움
All I wanted was a
simple distributed
database!!
It's too hard to
operate!

생성형 AI을 어떤 DB업무에 활용 가능할까?
자연어를 통한 일반 DB업무 간소화
• 다수의 Aurora 클러스터를 관리
”동일한 구성을 가진 10개의 Aurora 클러스터 생성해줘, 클러스터 이름은 Prod#1에서 하나씩
숫자를 늘려가면서 생성해줘.”
• 업그레이드 및 패치 자동화
“Product DB #1에서 #10번까지의 클러스터를, Aurora version 3.07 로 업그레이드 해줘”
• 성능 모니터링 및 최적화
“지난 1주일간에 가장 높은 CPU와 메모리 사용량을 보이는 클러스터를 찾아줘”
“비효율적인 리소스 사용율을 보이는 DB 리스트들을 알려줘”

생성형 AI을 어떤 DB업무에 활용 가능할까?
중요한 데이터의 보안과 접근 통제 관리
“보안 이슈가 의심되는 데이터베이스에 대한 자세한 보고서를 제공해줘”
이기종간의 DB 마이그레이션
“제공되는 Oracle 쿼리를 PostgreSQL 쿼리로 변경해줘”
성능 튜닝
“ 쿼리플랜을 분석해서 성능에 좋지 않은 쿼리들을 찾아줘”
“ 현재 실행되는 쿼리를 분석해서 최적화된 쿼리로 다시 작성해줘”

정확한 결과를 얻기 위해서는
어떻게 해야할까?

프롬프트엔지니어링
“Prompt는 Response 을 이끌어내기 위해 Large Language model에 전달하는 정보입니다”
Prompt에 요구 사항을 구
체적으로 전달하고
Context 로 기본으로 테이
블 스키마 및 샘플등을 제
공하는것이 중요하다

RAG활용하여 샘플 쿼리 및 정보를 학습
검색(Retrieval)
검색된 관련 컨텍스트를
사용자 프롬프트에
추가하여 기반 모델에
대한 입력으로 사용
증강(Augmentation) 생성(Generation)
증강 프롬프트 기반 기반
모델의 응답
사용자 쿼리를 기반으로
외부 지식 베이스 또는
데이터 소스에서 관련
콘텐츠를 가져옵니다

어떤 서비스들을 통해서 구현
할 수 있을까?

다 양 한 파 운 데 이 션 모 델 을 A P I 를 통 해 서 사 용 할
수 있 도 록 해 주 는 완 전 관 리 형 서 비 스
11
Amazon Bedrock
이점
• API를 통해 FM을 사용하여 생성형 AI 애플리케이션
개발 가속화
• 인프라 관리 불필요
• AI21 Labs, Anthropic, Cohere, Stability AI 및
Amazon의 FM 선택
• 조직의 데이터를 사용하여 개인적으로 FM 사용자
지정
• 포괄적인 AWS 보안 기능
• NEW - Bedrock용 에이전트를 사용하여 몇 번의
클릭만으로 생성형 AI 앱을 활성화하여 작업을
완료할 수 있도록 지원
11

Summarization,
complex reasoning,
writing, coding
Contextual answers,
summarization,
paraphrasing
High-quality images
and art
Text generation,
search, classification
Q&A and reading
comprehension
Text summarization,
generation,
Q&A, search,
image generation
Amazon Titan
Text Premier
Amazon Titan
Text Lite
Amazon Titan
Text Express
Amazon Titan Text
Embeddings
Amazon Titan Text
Embeddings V2
Amazon Titan
Multimodal
Embeddings
Amazon Titan
Image Generator
Claude 3 Opus
Claude 3 Sonnet
Claude 3 Haiku
Claude 2.1
Claude 2
Claude Instant
Llama 3 8B
Llama 3 70B
Llama 2 13B
Llama 2 70B
Command
Command Light
Embed English
Embed Multilingual
Command R+
Command R
Stable Diffusion
XL1.0
Stable Diffusion
XL 0.8
Jurassic-2 Ultra
Jurassic-2 Mid
Mistral Small
Mistral Large
Mistral 7B
Mixtral 8x7B
Text summarization,
text classification,
text completion,
code generation,
Q&A
다양한 고성능 파운데이션 모델을 지원
Amazon Bedrock

파운데이션 모델(FM) - Claude3 의 특징
ü 뛰어난 추론 및 추론 능력
ü 뛰어난 자연어 처리
ü 강력한 프롬프트 엔지니어링 지원
ü 뛰어난 Context 이해 및 적응성
ü 강화된 보안 및 개인 정보 보호 장치
ü 비용 효율적이고 확장 가능한 아키텍처

파운데이션 모델(FM) - Claude3 모델 성능
Reference : https://www.anthropic.com/news/claude-3-family

• 여러 클러스터에서 스키마 변경 사항을 쉽게 검증하고 적용
• ERD 분석 및 DDL 스크립트 생성
• 여러 클러스터에서 성능 문제가 발생된 데이터베이스를 식별
• 버전 업그레이드 수행 및 확인
• 여러 클러스터를 동시에 분석하여 보안 이슈를 확인
• 이기종 데이터베이스 쿼리를 MySQL 쿼리로 쉽게 변환
Claude3 를 통해 DB업무에 할수 있는 일들은?
그렇지만 내가 필요한 정확한 결과를 제공받기 위해서는
여전히 많은 노력들이 필요합니다

Amazon Bedrock 을 활용한 프롬프트 기본 아키텍처 예
References : https://catalog.workshops.aws/genai-on-aws/en-US/08-working-with-databases
Users Front-end Application
(Python Code)
Amazon Bedrock(Claude3)
Amazon Aurora
SQL Query
statement
Retrieve schema context
Query Database
Natural language
prompt
1
2
4
5
Fetch Data
6
Send prompt to LLM
3

Demo1:
Claude3를 활용한 MySQL 쿼리 실행

Demo2:
Claude3를 사용한 Aurora MySQL
데이터베이스 관리 예

Lesson Learned
21
Rule을 지정
Boto API로 Bedrock을 통
해 Claude3 호출
백그라운드 데이터로
DB 스키마 정보 제공
XML Tag 포맷으로 실행할 내용을 정의

Lesson Learned
22
• Prompt Engineering 매우 중요
스키마 뿐만 아니라 참조할 데이터도 명시하면 좋음
• XML또는 JSON형태로 구조화된 포맷으로 정보를 제공하면 좋음
• 컬럼 정보, 컬럼에 대한 설명과 샘플데이터의 일부를 포함하면 좋음
• RAG를 통해서 관련된 정보를 학습시키면 좋음
• 정확성을 위해 샘플등을 통해서 검증 프로세스를 추가하면 좋음

Amazon Aurora MySQL 을 통해 Amazon Bedrock Invoke
• Bedrock은 Aurora MySQL 3.06 릴리스 이상에서
지원됩니다.
• Aurora MySQL에서 Bedrock 모델을 호출하기 위한
IAM Role을 생성하고 해당 Role을 Aurora 에 추가
• Aurora MySQL을 위한 Custom 파라미터그룹을 생
성하고, IAM Role의 ARN을
aws_default_bedrock_role 파라미터에 업데이트
• Bedrock에서 Anthropic Claude3 모델이 Enable되
어있는지 확인
• Bedrock 모델을 Invoke하기 위해서 Aurora MySQL
의 bedrock사용자에게 필요한 권한을 부여

Demo 3:
Aurora MySQL에서 Amazon
Bedrock 연결 설정 및 Invoke

Demo4 :
Amazon Bedrock으로부터 응답을 통해
Aurora MySQL 테이블 업데이트

27

Amazon Aurora PostgreSQL vector store
with Gen AI
28

29
Agenda
• Overview of generative AI and the role of databases
• PostgreSQL as a vector store
• Integration with Amazon Bedrocks
• Demo

Blue elephant vase that can hold up
to three plants in it, hand painted…
Parrot decorative figure stands 12
inches high, red, and orange, has…
Reddish vase six inches deep perfect
for cactuses and desert plants…
Rabbit planter suitable for growing
vegetables indoors, green and …
Decorative ceramic turtle, blue and
about eight inches wide, makes…
Bird feeder shaped like a bird, can
hold birdseed for 28 days and is…
Sea shell themed vase that's two
feet wide and can hold a variety…
Garden variety owl planter, great for
keeping your favorite flowers…

Pre-trained on vast amounts of
unstructured data
Contain large number of parameters that make
them capable of learning complex concepts
Can be applied in a wide range of contexts
Customize FMs using your data for domain
specific tasks
Generative AI is powered
by foundation models

Retrieval Augmented
Generation (RAG)
Configure FM to interact with
your company data
A N S W E R
Q U E S T I O N
K N O W L E D G E
B A S E S
F O U N D A T I O N
M O D E L
How much does a blue
elephant vase cost?
Product catalog
Price data
A blue elephant vase
typically costs $19.99
Sorry, I don't know

What is vector ?
Vector
[3,2]
x
y R^2
magnitude
direction
Example
[3,2,1]
x
y
z
R^3

Unstructured data has to be vectorized into vectors to be used in generative AI applications
CHAIRS
STATUES
VASES
Product
catalog
Blue vase
Red chair
C L A U D E
S T A B L E D I F F U S I O N
J U R A S S I C - 2
A M A Z O N T I T A N
0.23, 1.58, …, 8.45
4.56, 0.71, …, 5.36
What are vector embeddings?

How vector embeddings are used
Foundation Model
Prompt
augmentation
Response
Embeddings model Data source
Aurora PostgreSQL
Embeddings
model
Embedding
User
User Input
Context
-0.02
0.89 -0.38
-0.53 0.95 0.17
Retrieval
Generation
Workflow
Data Ingestion
Workflow
Semantic
search
Document chunks
1
2
3

Why use PostgreSQL for vector searches?
The easiest way to build and scale generative AI
applications on RDS/Aurora PostgreSQL
Keep App + AI/ML data in same DB
Benefit from data & vector embedding co-
location
Aurora Serverless
Fully managed, on-demand, autoscaling
config to optimized performance, cost
Gen AI ready for OLTP, faster TTM
Easy! Familiar SQL interface, data in PG,
client libraries work without modification
End to End Production-ready
Seamlessly transition from application
prototyping to production

What is pgvector?
An open source extension that:
adds support for storage, indexing, searching, metadata with choice of distance
vector data type
Supports IVFFlat/HNSW indexing
Distance operators (<->, <=>, <#>)
Exact nearest neighbor (K-NN)
Approximate nearest neighbor (ANN)
Co-locate with embeddings
github.com/pgvector/pgvector

pgvector example: Querying nearest neighbor
CREATE EXTENSION VECTOR ;
CREATE TABLE test_embeddings(product_id bigint, embeddings vector(3) );
INSERT INTO test_embeddings VALUES
(1, '[1, 2, 3]'), (2, '[2, 3, 4]'), (3, '[7, 6, 8]'), (4, '[8, 6, 9]’);
SELECT product_id, embeddings, embeddings <-> '[3,1,2]' AS distance
FROM test_embeddings ORDER BY embeddings <-> '[3,1,2]’ limit 2;
product_id | embeddings | distance
------------+------------+-------------------
1 | [1,2,3] | 2.449489742783178
2 | [2,3,4] | 3
(2 rows)
• Supports exact and approximate nearest neighbor (ANN) search
• L2 distance <->
• Inner product <#>
• Cosine distance <=>

• IVFFlat
§ K-means based
§ Organize vectors into lists
§ Requires prepopulated data
§ Insert time bounded by # lists
• HNSW
§ Graph based
§ Organize vectors into
“neighborhoods”
§ Iterative insertions
§ Insertion time increases as data in
graph increases
Indexing methods: IVFFlat and HNSW

pgvector use cases
Industry E-Commerce Social Media Healthcare Finance
Media &
Entertainment
Automotive &
Manufacturing
1
Product
Recommendations
🟠🟠🟠🟠🟠 🟠🟠🟠🟠 🟠🟠 🟠🟠🟠 🟠🟠🟠🟠 🟠🟠
2 Content Similarity 🟠🟠🟠 🟠🟠🟠🟠🟠 🟠🟠🟠 🟠🟠 🟠🟠🟠🟠🟠 🟠🟠
3 Fraud Detection 🟠🟠🟠 🟠🟠🟠 🟠🟠🟠🟠 🟠🟠🟠🟠🟠 🟠🟠🟠 🟠🟠🟠
4 Anomaly Detection 🟠🟠 🟠🟠🟠🟠 🟠🟠🟠🟠 🟠🟠🟠🟠🟠 🟠🟠🟠 🟠🟠🟠🟠🟠
5 Document Clustering 🟠🟠 🟠🟠🟠🟠 🟠🟠🟠🟠🟠 🟠🟠🟠🟠 🟠🟠🟠 🟠🟠🟠
6
Chatbots & Virtual
Assistants
🟠🟠🟠 🟠🟠🟠🟠 🟠🟠🟠🟠 🟠🟠🟠 🟠🟠🟠 🟠🟠
7 Image Similarity Search 🟠🟠🟠🟠 🟠🟠🟠🟠🟠 🟠🟠🟠 🟠🟠 🟠🟠🟠🟠🟠 🟠🟠🟠
8 Customer Segmentation 🟠🟠🟠🟠 🟠🟠🟠🟠 🟠🟠🟠 🟠🟠🟠🟠🟠 🟠🟠🟠 🟠🟠🟠
9 Sentiment Analysis 🟠🟠 🟠🟠🟠🟠🟠 🟠🟠🟠 🟠🟠🟠 🟠🟠🟠🟠 🟠🟠
10 Predictive Maintenance 🟠🟠 🟠 🟠🟠 🟠🟠 🟠 🟠🟠🟠🟠🟠
🟠🟠🟠🟠🟠: Extremely high impact and relevance
🟠🟠🟠🟠: High impact and relevance
🟠🟠🟠: Moderate impact and relevance
🟠🟠: Low impact and relevance
🟠: Very low impact and relevance

Integration with Amazon Bedrock
Query
Response
generation
Amazon Aurora
support for
knowledge bases for
Amazon Bedrock
0.23, 1.58, …, 8.45
4.56, 0.71, …, 5.36
Foundation
models
Amazon
Aurora
Amazon Bedrock
knowledge bases
Retrieval
Augmented
Generation

SQL integration via aws_ml extension
GenAI application Amazon Bedrock
Aurora PostgreSQL
• Author queries in SQL to invoke
vector embeddings in Amazon
Bedrock via
invoke_model_get_embeddings API
• Author queries in SQL to invoke LLMs
available in Amazon Bedrock via
invoke_model API
• Use cases – case notes summarization,
product catalog search, sentiment
analysis and more
SQL/aws_ml
Query
SELECT aws_bedrock.invoke_model (
'amazon.titan-text-express-v1’,
'application/json’,
'application/json’,
'{"inputText": "this is where you place your input text", "textGenerationConfig": {"maxTokenCount":
8192,"stopSequences": [],"temperature":0,"topP":1}' );
'"body": {{"embedding": [e1, e2, e3.... en]}}'

Demo
Document
chunks
Amazon Titan
Embeddings
PDF
document
Amazon
Aurora
PostgreSQL-
Compatible
User
Embeddings Large language
model
(Claude v3)
1
4
Question
Question + Context
Response
2 3
5
6
7
Knowledge Bases for Amazon Bedrock with Aurora PostgreSQL
What is the new features in
PostgreSQL v16 ?

44
Demo

Thank you!
DalYoung Jung
dalyoung@amazon.com
YunCheol Ha
yuncheol@amazon.com

[D3T1S01] Gen AI를 위한 Amazon Aurora 활용 사례 방법

More Related Content

What's hot (20)

Similar to [D3T1S01] Gen AI를 위한 Amazon Aurora 활용 사례 방법 (20)

More from Amazon Web Services Korea (20)

Recently uploaded (9)

[D3T1S01] Gen AI를 위한 Amazon Aurora 활용 사례 방법