TL;DR
- نویسندگان:.
- پاول لیسکوفسکی،.
- بنجامین هان،.
چه اتفاقی افتاد
نویسندگان:. پاول لیسکوفسکی،.
بنجامین هان،. پریتوش آگاروال،.
بووی چن،. باکسین جیانگ،.
نیتیش جیندال،. زیهان لی،.
آرون لین،. کایل اشماوس،.
جی تایاد،. وایچنگ ژائو،.
آنوپام داتا،. ناتان ویگانس،.
دیمیتریس تسیروگیانیس مشاهده PDF's AISQL یک موتور SQL تولیدی است که عملیات معنایی بومی را مستقیماً در SQL. ادغام می کند.
این ادغام به کاربران اجازه میدهد تا پرسوجوهای اعلامی بنویسند که عملیات رابطهای را با استدلال معنایی ترکیب. میکند و آنها را قادر میسازد که دادههای ساختاریافته و بدون ساختار را بدون زحمت جستجو کنند.
با این حال، کارآمد کردن عملیات معنایی در مقیاس تولید، چالشهای اساسی را به همراه دارد. عملیات معنایی گرانتر از عملیات SQL سنتی است،.
دارای ویژگیهای تأخیر و توان عملیاتی متمایز است و هزینه و گزینشپذیری آنها در طول کامپایل پرس و. جو ناشناخته است.
علاوه بر این، موتورهای پرس و جو موجود نیستند طراحی شده برای بهینه سازی عملیات معنایی. موتور اجرای پرسوجو AISQL این چالشها را از طریق سه تکنیک جدید که از دادههای استقرار تولید از.
مشتریان Snowflake مطلع شدهاند،. برطرف میکند.
اولاً،. بهینهسازی پرس و جو با آگاهی از هوش مصنوعی،.
هزینه استنتاج هوش مصنوعی را به عنوان یک هدف بهینهسازی درجه یک در نظر میگیرد و در مورد. هزینه مدل زبان بزرگ (LLM) مستقیماً در طول برنامهریزی پرسوجو استدلال میکند تا به سرعتهای 2 تا 8.
دلاری دست یابد. دوم،.
آبشارهای مدل تطبیقی هزینههای استنتاج را با مسیریابی بیشتر ردیفها از طریق یک مدل پراکسی سریع کاهش میدهند،. در حالی که موارد نامشخص را به یک مدل اوراکل قدرتمند افزایش میدهند،.
با دستیابی به سرعتهای 2-6$\ برابر دلار در حالی که 90-95% کیفیت مدل اوراکل را حفظ میکنند. سوم،.
بازنویسی پرس و جو معنایی پیچیدگی زمانی درجه دوم عملیات اتصال را به خطی از طریق فرمول بندی. مجدد به عنوان وظایف طبقه بندی چند برچسبی کاهش می دهد و به سرعت 15 تا 70$\ برابر.
دلار با کیفیت پیش بینی اغلب بهبود یافته دست می یابد. AISQL است در تولید در Snowflake مستقر شده است،.
جایی که بارهای کاری متنوع مشتری را در تجزیه و تحلیل،. جستجو و درک محتوا نیرو می دهد.
نظرات: منتشر شده در SIGMOD Companion '26 (Industry Track)، بنگلور، هند، 31 مه تا 5 ژوئن 2026. ACM DOI: https://doi.org/10.1145/3788853.3803093.
این نسخه نسخه ACM منتشر شده از رکورد تحت مجوز Creative Commons Attribution 4.0 International (CC BY 4.0). است.
موضوعات:. پایگاه های داده (cs.DB)؛
هوش مصنوعی (cs.AI)؛ یادگیری ماشینی (cs.LG) استناد به عنوان:.
arXiv:. 2511.07663 [cs.DB] (یا arXiv:.
2511.07663v3 [cs.DB] برای این نسخه) https:. //doi.org/10.48550/arXiv.2511.07663 DOI صادر شده توسط arXiv از طریق DataCite DOI مرتبط:.
https:. //doi.org/10.1145/3788853.3803093 پیوند (های) DOI به منابع مرتبط تاریخچه ارسال از:.
Paweł Liskowski [مشاهده ایمیل] [v1] دوشنبه،. 10 نوامبر 2025،.
22:. 14:.
13 UTC (1,. 160 KB) [v2] چهارشنبه،.
19 نوامبر 2025،. 13:.
22:. 56 UTC (1,.
202 KB) [v3] سه شنبه،. 7 آوریل 2026،.
13:. 47:.
03 UTC (1,. 223 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.