Yapay zeka modeli Postgres sorgularını yüzde 44 hızlandırdı

Açık kaynaklı 4 milyar parametreli bir dil modeli, pekiştirmeli öğrenme ve denetimli ince ayar yöntemleriyle eğitilerek PostgreSQL veritabanının varsayılan sorgu planlayıcısından daha hızlı yürütme planları üretti. Araştırmacı Rohan Bansal, veritabanı sorgu optimizasyonunun özellikle çoklu birleştirme (join) işlemlerinde NP-hard karmaşıklığında olmasından yola çıkarak bu çalışmayı yürüttü. Çalışma sonucunda model, birleştirme ağırlıklı 113 test sorgusunda ortalama yüzde 44,7 gecikme süresi düşüşü sağladı.

Deney ortamında Qwen tabanlı 4 milyar parametreli model, Postgres istatistiklerini ve planlarını inceleyen özel bir aracı yazılımla donatıldı. Modelin ürettiği yürütme kararları, pg_hint_plan eklentisi kullanılarak SQL sorgularına yönlendirici ipuçları şeklinde eklendi. Eğitim sürecinde gürültülü çalışma ortamlarını yönetmek için özel bir GRPO varyantı geliştirildi ve Linux sayfa önbelleği ile Postgres bellek alanı arasındaki çekişmeyi azaltan izole bir test altyapısı kuruldu.

Eğitim veri seti olarak 13 bin 600 sorguluk Kardinalite Tahmin Kıyaslaması (CEB), test için ise 113 sorguluk Birleştirme Sırası Kıyaslaması (JOB) kullanıldı. Model, ilk aşamada 99 tanesi için geçerli plan dahi üretemediği karmaşık sorgularda varsayılan Postgres planlayıcısını geride bıraktı. Bu yaklaşımın, analitik iş yüklerinde sık tekrarlanan maliyetli sorguların yürütme sürelerini kalıcı olarak düşürmede kullanılabileceği belirtildi.