📍Серия статей про нейронные оптимизаторы в реляционных базах данных

Развитие машинного обучения способствует появлению новых решений для оптимизации выполнения запросов — нейронных оптимизаторов. Эти инструменты сами находят закономерности в выполнении сложных планов. На Хабре подготовили цикл статей про нейрооптимизаторы:

✔️Пионеры в области нейросетевых оптимизаторов

Говорим про модель для оценки кардинальности запросов MSCN, модель построения плана выполнения запроса DQN, а также NEO — end-to-end-подход, который объединил обучаемую функцию оценки скорости выполнения заданного плана и его построение. 

✔️Стабильные подходы 

Рассматриваем решения, которые не требуют гигантских вычислительных кластеров и удовлетворяют большинство потребностей бизнеса: Bao, Balsa и AQO (Adaptive Query Optimization), решение от Postgres Professional. 

✔️Ранжирование 

Говорим про ранжирование — этот тип задач обособлен и от классификации, и от регрессии. Рассматриваем его в целом, а также адаптацию методов поиска оптимального плана исполнения запроса. 

Больше полезных технических материалов — в блоге на Хабре ⚡️