qorl

veritabanı sorgu planlayıcılarının klasik maliyet tabanlı sezgisel yöntemlerle sınırlı kaldığı noktada, 4 milyar parametreli bir dil modelini öğrenilmiş sorgu iyileştirici olarak konumlandıran yaklaşım. geleneksel postgres planlayıcısı, tablo istatistikleri ve sabit maliyet fonksiyonları üzerinden join sıralaması tahmin etmeye çalışırken; qorl, sql sorgusunu ve şema bağlamını token dizisi olarak alıp doğrudan daha iyi bir plan üretmeyi öğreniyor. 81% daha hızlı sorgu planı iddiası, modelin yalnızca plan seçimini değil, indeks kullanımı ve join stratejisini de veri dağılımına göre yeniden şekillendirdiğini gösteriyor.

asıl kırılma noktası, llm'lerin "metin üretme" kabiliyetinin ötesine geçip deterministik sistemlerin karar mekanizmalarına gömülmesi. sorgu planlayıcı, veritabanının beyni; oraya bir transformer oturtmak, istatistik güncellemelerinin gecikmeli kaldığı dağıtık sistemlerde adaptif planlama vaadi taşıyor. ancak 4b parametreli bir modeli her sorguda çalıştırmanın gecikme ve maliyet yükü, bu yaklaşımın üretim ortamına inmesinin önündeki en somut engel. muhtemelen hibrit bir mimari — küçük model hızlı karar, büyük model karmaşık plan — kaçınılmaz olacak.

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.