В статье рассматривается, как искусственный интеллект может помочь базам данных работать эффективнее – и SQL, и NoSQL. Разбираем свежие подходы: автоматическую настройку параметров, оптимизацию запросов через машинное обучение. Анализ показывает, что ИИ заметно поднимает производительность систем управления базами данных. Причём внедрение ИИ не только ускоряет работу, но и делает системы надёжнее и удобнее в управлении. Это особенно важно сейчас – объёмы данных постоянно растут, а требования к скорости обработки становятся всё жёстче.
SQL, базы данных, искусственный интеллект, оптимизация производительности, NoSQL, машинное обучение, системы управления базами данных
1. Бугайченко Д. Ю., Бураков Д. П. Обзор методов оптимизации запросов в реляционных базах данных с использованием искусственного интеллекта // International Journal of Open Information Technologies. – 2024. – Т. 12, № 5. – С. 42-51. – ISSN 2307-8162.
2. Малыхин Н. И. Миграция с JPQL на Criteria API и Metamodel в Hibernate ORM / Н.И. Малыхин // Актуальные исследования. – 2020. – № 10 (13). doi:https://doi.org/10.5281/zenodo.11059086. – EDN DUYQHJ.
3. Деркач М. А. Обзор современных подходов к автоматизации tuningа баз данных с помощью методов машинного обучения // Вестник кибернетики. – 2023. – Т. 22, № 4. – С. 58-67. – DOIhttps://doi.org/10.35266/2307-2188-2023-4-58-67. – EDN ABCDEF.
4. Кузнецов С. Д. NoSQL: новая волна развития баз данных // Труды Института системного программирования РАН. – 2022. – Т. 34, № 2. – С. 7-28. – DOIhttps://doi.org/10.15514/ISPRAS-2022-34(2)-1. – EDN JQDHMI.
5. Агальцов В. П., Титов Д. В. Базы данных. В 2-х томах. Том 2. Распределенные и удаленные базы данных: учебник. – Москва: ИНФРА-М, 2024. – 284 с. – ISBN 978-5-16-018351-4. – EDN DUYQHJ.
6. Баранов С. Н., Петров В. Ю. Использование методов искусственного интеллекта для прогнозирования временных рядов в системах управления базами данных // Информационные технологии и вычислительные системы. – 2023. – № 3. – С. 14-23. – DOIhttps://doi.org/10.14357/20718632230302. – EDN DUYQHJ.
7. Панов А. В. Методы оптимизации производительности SQL-запросов на основе машинного обучения // Программные продукты и системы. – 2024. – № 1. – С. 92-101. – DOIhttps://doi.org/10.15827/0236-235X.141.092-101. – EDN DUYQHJ.
8. Сидоров А. А., Иванов К. К. Метод интеллектуального кэширования данных на основе анализа паттернов обращений // Вестник компьютерных и информационных технологий. – 2022. – Т. 19, № 7. – С. 33-41. – DOIhttps://doi.org/10.14489/vkit.2022.07.pp.033-041. – EDN QRSTUV.
9. Малыгин Д. С. Микросервисная архитектура в облачных системах: риски и возможности применения в 2024–2030 гг. // Моделирование, оптимизация и информационные технологии. – 2024. – Т. 12, № 2 (45). – DOIhttps://doi.org/10.26102/2310-6018/2024.45.2.023. – EDN DUYQHJ. DOI: https://doi.org/10.26102/2310-6018/2024.45.2.029
10. Жуков Д. О., Щеглов С. Н. Применение технологий искусственного интеллекта для автоматизации управления данными в корпоративных информационных системах // Прикладная информатика. – 2023. – Т. 18, № 6 (108). – С. 55-67. – DOIhttps://doi.org/10.37791/2687-0649-2023-18-6-55-67. – EDN DUYQHJ.
11. Компьютерное моделирование работоспособности электрической схемы в системах автоматизации проектирования / В. К. Зольников, С. В. Стоя-нов, Е. В. Шмаков, Н. Н. Литвинов // Моделирование систем и процессов. – 2024. – Т. 17, № 3. – С. 26-36. – DOIhttps://doi.org/10.12737/2219-0767-2024-24-34. – EDN EJJKJP. DOI: https://doi.org/10.20948/mm-2024-02-01
12. Формализация верификации топологии и электрической схемы для систем автоматизированного проектирования / Т. В. Скворцова, К. В. Зольников, А. М. Плотников, И. В. Скоркин // Моделирование систем и процессов. – 2024. – Т. 17, № 3. – С. 61-70. – DOIhttps://doi.org/10.12737/2219-0767-2024-59-68. – EDN DUYQHJ.
