.png){kind=icon}
返回
LLM for Data Management
.png){kind=icon}
PRE
AI
DOI：10.14778/3685800.3685838.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习技术在优化数据管理系统方面已被证明是有效的，并且在近年来得到了广泛的研究。然而，传统的中小型ML模型往往难以泛化到新场景，并且具有有限的上下文理解能力（例如，仅输入离散特征）。LLMs的出现为这些挑战提供了一种有前景的解决方案。LLMs已经在大量场景和任务上进行训练，并获得了如上下文理解和总结等与人竞争的能力，这些能力对于数据管理任务（例如基于自然语言的数据分析）非常有益。在本教程中，我们介绍了如何利用LLMs优化数据管理系统，并回顾了用于解决这些技术挑战的新技术，包括LLMs的幻觉问题、与LLMs交互的高成本以及处理复杂任务时的低精度。首先，我们讨论检索增强生成（RAG）技术以解决幻觉问题。其次，我们介绍了向量数据库技术以改善延迟。第三，我们介绍了LLM代理技术，通过生成多轮次管道来处理复杂任务。我们还展示了一些现实世界的数据管理场景，这些场景可以通过LLMs得到很好的优化，包括查询重写、数据库诊断和数据分析。最后，我们总结了一些开放的研究挑战。
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏
QueryBooster: Improving SQL Performance Using Middleware Services for Human-Centered Query RewritingQueryBooster：使用面向人的查询重写中间件服务提升SQL性能
OAAI
OAAI分享收藏
查看更多内容