কুয়েরি অপ্টিমাইজারগুলো আসলে কতটা ভালো? Leis et al. ২০১৫ সালে এই প্রশ্ন করেছিলেন, তারপর ১০ বছর পরে আবার। এক দশকের গবেষণা সত্ত্বেও, তারা দেখেছেন কুয়েরি অপ্টিমাইজারগুলো এখনও অনেক কাঙ্ক্ষিত বাকি রেখেছে। একটি Postgres ডেটাবেসের তার টেবিল সম্পর্কে সবকিছু জানা উচিত, তাই না? এটা কতটা কঠিন হতে পারে? যেমনটা দেখা গেল: অত্যন্ত কঠিন। জয়েন অর্ডারিং, একটি মূল কাজ, NP-hard। কিন্তু একটি কুয়েরি প্ল্যানের গুণমান যাচাই করা সহজ: ভালো অপ্টিমাইজার দ্রুত প্ল্যান তৈরি করে, খারাপগুলো ধীর প্ল্যান তৈরি করে।

ভাষা মডেলগুলো সহজে যাচাইযোগ্য আউটপুট সহ কাজে দক্ষ। একটি মাত্র অক্ষ—সম্পাদন সময়—দিয়ে, সমস্যাটি এমন আচরণকে শক্তিশালীকরণে সীমাবদ্ধ হয় যা দ্রুততর কুয়েরি প্ল্যান দেয়। আমি একটি পরীক্ষা চালিয়েছি: একটি ছোট, ওপেন-ওয়েট মডেল কি সুপারভাইজড ফাইন-টিউনিং (SFT) এবং এজেন্টিক রিইনফোর্সমেন্ট লার্নিং (RL) এর মাধ্যমে পোস্ট-ট্রেইন করা যায় যাতে Postgres কুয়েরি প্ল্যান তৈরি করে যা Postgres-এর ডিফল্ট প্ল্যানকে ছাড়িয়ে যায়?

উত্তরটি একটি জোরালো হ্যাঁ। হাইলাইটস: একটি 4B মডেল থেকে 113টি জয়েন-ভারী কুয়েরি জুড়ে 44.7% লেটেন্সি হ্রাস অর্জন, যা প্রাথমিকভাবে তাদের মধ্যে 99টির জন্য কুয়েরি প্ল্যান তৈরি করতে অক্ষম ছিল। একটি Postgres পরিমাপ রিগ তৈরি করা যা Linux পেজ ক্যাশ দ্বন্দ্ব শব্দ কমায়। শব্দযুক্ত পরিবেশে RL রোলআউট স্কোর করার জন্য একটি কাস্টম GRPO ভ্যারিয়েন্ট ডিজাইন করা। RL-কে দুটি মেশিনে বিভক্ত করা: vLLM এবং ট্রেইনার একটি ভাড়া করা 2x H100 নোড-এ এবং আমার ডেস্কে চারটি Postgres কন্টেইনার। অর্ধেক হাজার GPT-6 Astra এজেন্ট ট্রাজেক্টরি জুড়ে অফ-পলিসি ডিস্টিলেশন চালানো।

চলুন শুরু থেকে শুরু করি। একটি কুয়েরি অপ্টিমাইজারের ভিতরে, IMDb ডেটাসেট বিবেচনা করুন। একটি কুয়েরি জিজ্ঞাসা করে: "কোন জাপানি কোম্পানিগুলো ২০০০-এর দশকে সবচেয়ে বেশি টাইটেল প্রকাশ করেছে?" Postgres-এর পথ নির্ভর করে সিলেক্টিভ প্রিডিকেটের উপর। ফিল্টার ছাড়া, জয়েন অর্ডারিং গুরুত্বপূর্ণ হয়ে ওঠে।

মূল সত্তা: কোম্পানি: Postgres, Hacker News | ব্যক্তি: Leis | স্থান: Japan