Kleines KI-Modell erzeugt deutlich schnellere Datenbank-Abfragepläne als Postgres

Ein trainiertes 4-Milliarden-Parameter-Modell soll Abfragepläne liefern, die 81 Prozent schneller ausgeführt werden als die von Postgres.

1rohanbansal.com

Ein Entwickler hat ein Modell mit vier Milliarden Parametern trainiert, das für Datenbankabfragen Ausführungspläne generiert, die im Schnitt 81 Prozent schneller sind als die Standardpläne von PostgreSQL1. Das Projekt wurde auf Hacker News veröffentlicht und stieß dort auf reges Interesse mit über 90 Kommentaren1.

Der Ansatz zielt darauf ab, den klassischen Query-Optimizer von Postgres, der auf heuristischen Kostenmodellen basiert, durch ein gelerntes Modell zu ergänzen oder zu ersetzen1. Damit reiht sich die Arbeit in eine wachsende Zahl von Projekten ein, die maschinelles Lernen zur Optimierung klassischer Systemsoftware einsetzen1.

Offen bleibt in der verfügbaren Kurzbeschreibung, unter welchen Bedingungen die Geschwindigkeitsgewinne gemessen wurden und wie gut das Modell auf neue, unbekannte Abfragemuster generalisiert1. Die große Resonanz in der Entwickler-Community deutet aber auf erhebliches Interesse an lernbasierten Alternativen zu traditionellen Datenbankoptimierern hin1.