Sistema de banco de dados relacional impulsiona machine learning

São Paulo — InkDesign News —

Pesquisadores da KAIST desenvolveram um sistema de banco de dados gráfico-relacional inovador, integrando capacidades de machine learning e AI para otimizar o processamento de consultas complexas em ambientes industriais.

Contexto da pesquisa

Tradicionalmente, as empresas têm utilizado bancos de dados relacionais (DB) para gerenciar dados. Contudo, a necessidade crescente de integrar esses bancos com bancos de dados gráficos é impulsionada pela adoção de modelos de AI. Este processo frequentemente enfrenta limitações como custos elevados e inconsistências nos dados.

Método proposto

A equipe de pesquisa, liderada pelo Professor Min-Soo Kim, desenvolveu o Chimera, um sistema que unifica armazenamento relacional e gráfico. O sistema introduz uma nova “estrutura de dual-store” que opera com ambos os tipos de armazenamento simultaneamente. Além disso, o Chimera implementa um “operador de junção de travessia”, permitindo a execução eficiente de operações gráficas e relacionais em um único sistema.

(“Chimera fundamentally solves this problem”)

— Min-Soo Kim, Professor, KAIST

Resultados e impacto

Em benchmarks de desempenho, como o LDBC Social Network Benchmark (SNB), o Chimera demonstrou ser de quatro a 280 vezes mais rápido do que sistemas existentes. O modelo não sofre de falhas de consulta devido à insuficiência de memória, independentemente do tamanho dos dados gráficos. A ausência de visões também elimina atrasos relacionados à atualidade dos dados.

(“As the connections between data become more complex, the need for integrated technology that encompasses both graph and relational DBs is increasing”)

— Min-Soo Kim, Professor, KAIST

Com a previsão de aplicação imediata em campos como agentes de AI, finanças e e-commerce, a tecnologia Chimera mostra-se promissora como uma solução central para a implementação de assistentes inteligentes e sistemas de busca.

Fonte: (TechXplore – Machine Learning & AI)