Diagnozowanie problemów z wydajnością w bazach danych może być zadaniem skomplikowanym, często wymagającym narzędzia, które może dostarczyć dokładne i działające zalecenia naprawcze. Podczas gdy duże modele językowe (LLM) jak ChatGPT mają zdolność do odpowiadania na pytania, ich ogólne zalecenia mogą być pozbawione kontekstu i być niewystarczające dla zapytań dotyczących wydajności bazy danych.
Aby poradzić sobie z tymi ograniczeniami, badacze z AWS AI Labs i Amazon Web Services opracowali system Panda, który ma na celu rozszerzenie możliwości przeszkolonych wcześniej LLM w celu generowania bardziej przydatnych i kontekstowych zaleceń naprawczych, specjalnie do debugowania wydajności bazy danych.
Panda składa się z kilku kluczowych komponentów, które współpracują, aby dostarczać skuteczne zalecenia. Agent Weryfikacji Pytań filtruje zapytania, aby zapewnić ich trafność, podczas gdy Mechanizm Groundingowy wyodrębnia konteksty globalne i lokalne dla lepszego zrozumienia problemu. Mechanizm Weryfikacji gwarantuje poprawność odpowiedzi, podczas gdy Mechanizm Informacji Zwrotnej uwzględnia opinie użytkowników w celu ciągłego doskonalenia. Dodatkowo, Mechanizm Umożliwień ocenia wpływ zalecanych poprawek.
Panda wykorzystuje technikę Augmentacji Poprawkowej i Generacji (RAG) do kontekstowej obsługi zapytań, co pozwala mu wykorzystać osadzenia (embeddings) do przeprowadzania wyszukiwań podobieństwa. Aby zwiększyć swoje rozumienie i generować dokładne zalecenia, Panda wykorzystuje metryki telemetrii i dokumenty diagnostyczne, zapewniając uwzględnienie múltimodalnych danych.
W porównawczej studii, korzystając z GPT-3.5, Panda wykazała się wyższymi osiągnięciami na rzeczywistych obciążeniach baz danych w środowisku produkcyjnym. Inżynierowie baz danych ocenili Pandę i stwierdzili, że jej zalecenia są wiarygodne i przydatne, przypisując jej przewagę cytatom z odpowiednich źródeł oraz poprawności opartym na danych telemetrii i dokumentach diagnostycznych. Analiza statystyczna za pomocą testu t dwóch prób potwierdziła statystyczną przewagę Pandą nad GPT-4.
Panda wprowadza nowe podejście do autonomicznego debugowania baz danych przy użyciu agentów języka naturalnego. Wyróżnia się filtrowaniem nieistotnych zapytań, konstruowaniem znaczących kontekstów multi-modalnych, szacowaniem wpływu zaleceń i uwzględnianiem opinii użytkowników. System podkreśla znaczenie współpracy wśród społeczności baz danych i systemów, aby wspólnie zmienić proces debugowania baz danych.
Wraz z wprowadzeniem Pandy, możliwości dokładnych, weryfikowalnych i przydatnych zaleceń w diagnostyce wydajności baz danych są poszerzane. Zachęca się do dalszych badań i współpracy w celu dalszego rozwoju możliwości Pandya oraz przedefiniowania ogólnego podejścia do debugowania baz danych.
The source of the article is from the blog tvbzorg.com