postgresql'in sorgu planlayıcısına (query planner) alternatif olarak geliştirilen, 4 milyar parametreli bir dil modelinin pekiştirmeli öğrenme ile eğitilmesiyle ortaya çıkan deneysel sorgu optimizasyon yaklaşımıdır. rohan bansal'ın paylaştığı sonuçlara göre model, belirli iş yüklerinde postgres'in ürettiği planlardan %81'e varan oranda daha hızlı sorgu planları üretebiliyor.
olayın teknik olarak ilginç tarafı, klasik maliyet tabanlı optimizasyonun (cost-based optimization) onlarca yıldır çözemediği kardinalite tahmini (cardinality estimation) problemini bir sinir ağına devretmesi. postgres'in planner'ı tablo istatistiklerine ve basit varsayımlara dayanırken, llm tabanlı bir planner veri dağılımındaki korelasyonları ve örtük örüntüleri öğrenebiliyor. ancak %81 rakamı mutlak bir zafer değil: hangi sorgu kümesinde, hangi donanımda ve ne kadar eğitim maliyetiyle elde edildiği kritik. 4b parametreli bir modeli her sorgu planı için çalıştırmak, tek seferlik bir planlama maliyetini kalıcı bir çıkarım (inference) yüküne dönüştürüyor.
yine de yön net: veritabanı optimizasyonu, kural tabanlı sezgilerden öğrenilmiş temsillere kayıyor. bu, sorgu planlayıcıların gelecekte statik bir yazılım bileşeni değil, sürekli eğitilen bir model olacağını işaret ediyor. postgres'in otuz yıllık planner mimarisinin ilk ciddi meydan okuması bu olabilir.