4 միլիարդ պարամետրով մոդելի մարզում՝ Postgres-ից 81%-ով ավելի արագ հարցումների պլաններ ստանալու համար
Ռոհան Բանսալը ներկայացրել է Qorl-ը՝ տվյալների բազայի հարցումների օպտիմալացման նորարարական մոտեցում, որն օգտագործում է 4 միլիարդ պարամետր ունեցող մեքենայական ուսուցման մոդել: Փոխարինելով ավանդական հարցումների պլանավորիչները սովորող մոդելով՝ նախագիծը ցույց է տալիս կատարողականի զգալի աճ՝ ապահովելով հարցումների պլաններ, որոնք 81%-ով ավելի արագ են կատարվում, քան PostgreSQL-ի ստանդարտ օպտիմիզատորի կողմից ստեղծվածները: Հետազոտությունը ուսումնասիրում է, թե ինչպես կարելի է խորը ուսուցումը ինտեգրել տվյալների բազայի ներքին կառուցվածքներում՝ բարդ հարցումները ավելի արդյունավետ մշակելու համար: Բանսալը մանրամասնում է մարզման մեթոդաբանությունը և թեստավորման ընթացքում ստացված արդյունքները: Այս մշակումը ընդգծում է արհեստական բանականության և նեյրոնային ցանցերի կիրառման միտումը ենթակառուցվածքային հիմնական բաղադրիչներում՝ հնարավորություն տալով փոխել ռելացիոն տվյալների բազաների կառավարման ռազմավարությունը:
This is a summary. Read the full article at the original source:
Hacker News (YC)Կապակցված
Habr-ի այս հոդվածում հեղինակը մանրամասն վերլուծում է վիճակագրական եզրակացությունների հիմնարար խնդիրը՝ փորձի դադարեցման կանոնի ազդեցությունը p-value-ի…
PlanetScale-ը ներկայացրել է Tin-ը՝ նոր գործիք, որը նախատեսված է PostgreSQL տվյալների բազաներում լիարժեք տեքստային որոնման արդյունավետ հնարավորությունն…
Զուգահեռ ընթերցումներ և գրառման օպտիմալացում մեծածավալ տվյալների կրկնօրինակման համար
IEEE Spectrum-ի նոր սպիտակ թուղթը ուսումնասիրում է տվյալների ինժեներների և ճարտարապետների համար նախատեսված կարևոր ռազմավարություններ՝ մեծածավալ տվյալն…