甲骨文宣布，Oracle MySQL HeatWave除了支持交易处理和分析之外，现在也支持数据库机器学习 (ML)。这是目前唯一提供此功能的MySQL云计算数据库服务。HeatWave ML可完全自动化ML生命周期，并将所有经过训练的模型存储在MySQL数据库中，无需将资料或模型转移至ML工具或服务。消除截取、变换及加载 (ETL) 流程可降低应用程序的复杂性及成本，并提升资料和模型的安全性。
HeatWave ML包含在所有37个Oracle Cloud Infrastructure (OCI) 区域的MySQL HeatWave数据库云计算服务中。相较于其他云计算数据库服务，HeatWave ML提供以下功能：全自动化模型训练、 模型和推论解释、超参数调整、算法选择、智能资料抽样，以及功能选择。
目前为止，为MySQL应用程序添加机器学习功能对于许多开发人员来说非常困难且耗时。首先，需要将资料从数据库截取到另一个系统，以创建与部署ML模型。通过此方式，将机器学习应用于应用程序资料时会创建多个孤岛，并随着资料移动而出现延迟。同时也导致数据库中资料的扩散，使其安全性更容易受到威胁，并增加了开发人员在多个环境中编程的复杂性。其次，现有服务期望开发人员为指导ML模型训练过程的专家，否则模型此次佳的，并会降低预测的准确性。最后，大多数现有的ML解决方案不包含解释功能，说明开发人员构建的模型为何能提供特定预测。
MySQL HeatWave ML通过在MySQL数据库中原生集成机器学习功能来解决这些问题，无需要将资料截取、变换及加载到另一个服务。HeatWave ML可完全自动化训练过程，并为指定资料集和特定作业创建具有最佳算法、最佳功能以及最佳超参数的模型。同时，HeatWave ML产生的所有模型都可以提供模型和预测说明。
甲骨文发布的ML基准是针对众多公开访问的机器学习分类与回归资料集 (例如Numerai、Nomao及Bank Marketing等) 执行。在较大的HeatWave集群上进行训练时，更能显现HeatWave ML相较于Redshift ML在性能上的优势。训练是一个耗时的过程，由于使用MySQL HeatWave可以非常高效和快速地完成，客户现在可以更频繁地重新训练模型，并且随时掌握资料的变更。这样一来，模型可保持在最新状态，并提升预测的准确性。
除了机器学习功能之外，甲骨文还为MySQL HeatWave服务推出了更多创新功能。即时弹性功能可让客户将HeatWave集群扩展或缩小至任意数目的节点，无需任何停机时间或只读时间，也无需手动重新平衡集群；资料压缩功能可让客户在每个节点多处理2倍的资料量，并降低近50%的成本，同时保持相同的性价比；而添加的暂停与恢复功能则可让客户暂停HeatWave，以节省成本。恢复时，MySQL Autopilot所需的资料和统计资料都会自动重新加载HeatWave中。