AIBR プレミアム
拓海さん、うちの部下が『AIでデータベースのパーティショニングを自動で決められる』って言うんですが、正直ピンと来ません。要するに現場で何が変わるんでしょうか。
素晴らしい着眼点ですね！要点を先に言うと、1) 運用コストとクエリ実行時間が下がる、2) 専門家の設計工数が減る、3) ワークロード変化への追従性が上がる、の3点で現場が変わるんです。
うーん。で、その『学習するアドバイザ』って学習のために大がかりなデータ準備や専門家のラベル付けが必要なんじゃないですか。投資対効果が気になります。
いい質問です。ここが肝で、今回の手法はSupervised Learning（教師あり学習）で事前ラベルを大量に用意する必要がなく、Deep Reinforcement Learning（DRL）という仕組みで『試して見て良かったかどうか』を自分で学ぶんです。ですから初期投資はあるが運用で回収できる可能性が高いです。
これって要するに、実際のクエリ実行時間を見ながら良いパターンを見つけるということですか。システムが自分で『これが効く』を学ぶわけですか。
その通りです。素晴らしい着眼点ですね！ただ実務上は二段階で学習します。まずはコスト見積もりでブートストラップして大まかな方針を掴み、次に実際の実行時間を報酬として与えてモデルを精緻化します。これで安定して良い提案が出せるようになるんです。
現場の話で聞きたいのは、クラスタ構成やホストの違いにも対応できるんですか。うちみたいにオンプレとクラウドを混在している環境だと効くのか心配です。
良い視点です。DRLはワークロード混合（workload mixes）とデプロイメント条件を同一モデルで学習できる点が特徴です。つまりクラウドの仮想マシン構成やオンプレの性能差も事前にシミュレーションして学習させれば、環境ごとの最適化を同じアドバイザで扱えるようになります。
実際の導入作業はどの程度の手間ですか。現場は数式やマクロを触るような人材が少ないので、外注やシンプルな運用にしたいのですが。
大丈夫、一緒にやれば必ずできますよ。実務的には初期セットアップでワークロードサンプルを用意し、オフラインでブートストラップ学習、その後短期間の実運用で微調整する流れです。運用者の負担は初期に集中しますが、提案の適用はボタン一つでできる運用設計も可能です。
なるほど。要点を整理すると、1) 最初は概算コストで学ばせ、2) 実際の実行時間で精緻化し、3) 環境差やワークロードの変化にも対応できる、という理解で合っていますか。自分の言葉で言うとそういうことか。
その理解で完璧ですよ。今回の論文は実務寄りに『どう初期学習と実運用の学習を組み合わせるか』を示しており、まさに必要な手順が整理されています。大丈夫、田中専務のチームでも導入できるはずです。
