Fugu-MT 論文翻訳(概要): Towards Effective Orchestration of AI x DB Workloads

論文の概要: Towards Effective Orchestration of AI x DB Workloads

arxiv url: http://arxiv.org/abs/2603.03772v1
Date: Wed, 04 Mar 2026 06:28:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-05 21:29:15.203526
Title: Towards Effective Orchestration of AI x DB Workloads
Title（参考訳）: AI x DBワークロードの効果的なオーケストレーションに向けて
Authors: Naili Xing, Haotian Gao, Zhanhao Zhao, Shaofeng Cai, Zhaojing Luo, Yuncheng Wu, Zhongle Xie, Meihui Zhang, Beng Chin Ooi,
Abstract要約: 本稿では,AIを用いたデータシステムにおけるデータ管理とクエリ処理において,共同DB-AI(AIxDB)の課題について論じる。クエリ最適化、実行スケジューリング、異種ハードウェア上での分散実行など、慎重に対処する必要があるさまざまな課題を提示している。我々は、AIxDBクエリを提供するためのパフォーマンスの鍵となるものについて、設計と予備的な結果を示す。
参考スコア（独自算出の注目度）: 20.272049179373163
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: AI-driven analytics are increasingly crucial to data-centric decision-making. The practice of exporting data to machine learning runtimes incurs high overhead, limits robustness to data drift, and expands the attack surface, especially in multi-tenant, heterogeneous data systems. Integrating AI directly into database engines, while offering clear benefits, introduces challenges in managing joint query processing and model execution, optimizing end-to-end performance, coordinating execution under resource contention, and enforcing strong security and access-control guarantees. This paper discusses the challenges of joint DB-AI, or AIxDB, data management and query processing within AI-powered data systems. It presents various challenges that need to be addressed carefully, such as query optimization, execution scheduling, and distributed execution over heterogeneous hardware. Database components such as transaction management and access control need to be re-examined to support AI lifecycle management, mitigate data drift, and protect sensitive data from unauthorized AI operations. We present a design and preliminary results to demonstrate what may be key to the performance for serving AIxDB queries.
Abstract（参考訳）: AIによる分析は、データ中心の意思決定においてますます重要になっている。機械学習ランタイムにデータをエクスポートするプラクティスは、特にマルチテナントで異質なデータシステムにおいて、高いオーバーヘッドを発生させ、データのドリフトにロバスト性を制限し、攻撃面を拡張する。 AIを直接データベースエンジンに統合すると同時に、明確なメリットを提供しながら、ジョイントクエリ処理とモデル実行の管理、エンドツーエンドのパフォーマンスの最適化、リソース競合による実行のコーディネート、強力なセキュリティとアクセス制御保証の実施といった課題を導入している。本稿では,AIを用いたデータシステムにおけるデータ管理とクエリ処理において,共同DB-AI(AIxDB)の課題について論じる。クエリ最適化、実行スケジューリング、異種ハードウェア上での分散実行など、慎重に対処する必要があるさまざまな課題を提示している。トランザクション管理やアクセス制御などのデータベースコンポーネントは、AIライフサイクル管理をサポートし、データドリフトを緩和し、不正なAI操作から機密データを保護するために再検査する必要がある。我々は、AIxDBクエリを提供するためのパフォーマンスの鍵となるものについて、設計と予備的な結果を示す。

関連論文リスト

Relatron: Automating Relational Machine Learning over Relational Databases [50.94254514286021]
本稿では, RDL と DFS を共有設計空間に統合し, 多様な RDB タスクを対象としたアーキテクチャ中心の検索を行う。 RDLはDFSを一貫して上回り、高いタスク依存性を持つ。(2)タスク全体において単一のアーキテクチャが支配的であり、タスク認識モデル選択の必要性を強調し、精度は選択アーキテクチャの信頼性の低いガイドである。
論文参考訳（メタデータ） (2026-02-26T02:45:22Z)
LLM and Agent-Driven Data Analysis: A Systematic Approach for Enterprise Applications and System-level Deployment [17.572976426351318]
ジェネレーティブAIとエージェント技術は、エンタープライズデータ管理と分析を変革している。従来のデータベースアプリケーションとシステムデプロイメントは、AI駆動のツールによって根本的に影響を受ける。データセキュリティとコンプライアンスは、AI技術を採用する組織にとって最優先事項である。
論文参考訳（メタデータ） (2025-11-21T07:16:31Z)
What's the next frontier for Data-centric AI? Data Savvy Agents [71.76058707995398]
我々は、エージェントシステムの設計において、データに精通する能力が最優先すべきであると主張している。本稿では,このビジョンを実現するための4つの重要な機能を提案する。プロアクティブデータ取得,ソフシフィケートデータ処理,インタラクティブテストデータ合成,連続的適応。
論文参考訳（メタデータ） (2025-11-02T17:09:29Z)
Synthesizing Agentic Data for Web Agents with Progressive Difficulty Enhancement Mechanisms [81.90219895125178]
Webベースの「ディープリサーチ」エージェントは、オンラインツールとの長時間のインタラクションを通じてタスクに答える、複雑な問題の解決を目指している。基礎となる言語モデルは、長い水平推論に最適化されないことが多いため、これらのタスクは依然として困難なままである。複雑化を徐々に進めることで、疑問-答えのペアを生成する2段階のデータ合成パイプラインを導入する。
論文参考訳（メタデータ） (2025-10-15T06:34:46Z)
DecEx-RAG: Boosting Agentic Retrieval-Augmented Generation with Decision and Execution Optimization via Process Supervision [50.89715397781075]
Agentic Retrieval-Augmented Generation (Agentic RAG)は、複雑なタスクの処理能力を向上する。我々は,決定と実行を取り入れたマルコフ決定プロセス(MDP)としてRAGをモデル化したDecEx-RAGを提案する。 DecEx-RAGは6つのデータセットに対して平均6.2%の絶対的なパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2025-10-07T08:49:22Z)
Autonomous Data Agents: A New Opportunity for Smart Data [50.02229219403014]
DataAgentsは、自律的なデータから知識システムへのパラダイムシフトを表している、とReportは主張する。 DataAgentsは、複雑で非構造化されたデータをコヒーレントで行動可能な知識に変換する。エージェントAIとデータ・トゥ・ナレッジシステムの収束が重要なトレンドとなっている理由を最初に検討する。
論文参考訳（メタデータ） (2025-09-23T06:46:41Z)
Data Agent: A Holistic Architecture for Orchestrating Data+AI Ecosystems [8.816332263275305]
従来のData+AIシステムは、システムパイプラインのオーケストレーションに人間の専門家に大きく依存しています。既存のData+AIシステムは、セマンティック理解、推論、計画の能力に制限がある。データエージェント(Data Agent) - データ+AIエコシステムのオーケストレーションを目的とした包括的なアーキテクチャ。
論文参考訳（メタデータ） (2025-07-02T11:04:49Z)
AnDB: Breaking Boundaries with an AI-Native Database for Universal Semantic Analysis [11.419119182421964]
AnDBはAIネイティブデータベースで、従来のOワークロードとAI駆動タスクをサポートする。 AnDBでは、AIの専門知識を必要とせずに、直感的なステートメントを使用してセマンティッククエリを実行することができる。 AnDBは将来的なデータ管理インフラストラクチャを保護し、スクラッチから始めることなく、すべての種類のデータの全潜在能力を効果的かつ効率的に活用することを可能にする。
論文参考訳（メタデータ） (2025-02-19T15:15:59Z)
A Collaborative Multi-Agent Approach to Retrieval-Augmented Generation Across Diverse Data [0.0]
Retrieval-Augmented Generation (RAG)はLarge Language Models (LLM)を強化する従来のRAGシステムでは、クエリ生成、データ検索、レスポンス合成に単一エージェントアーキテクチャを使用するのが一般的である。本稿では,これらの制約に対処するマルチエージェントRAGシステムを提案する。
論文参考訳（メタデータ） (2024-12-08T07:18:19Z)
NeurDB: On the Design and Implementation of an AI-powered Autonomous Database [27.13518136879994]
本稿では,AIによる自律データベースNeurDBを紹介する。 NeurDBは、データとワークロードのドリフトへの適応性を備えた、AIとデータベースの融合をさらに深める。実証的な評価によると、NeurDBはAI分析タスクの管理において、既存のソリューションを大幅に上回っている。
論文参考訳（メタデータ） (2024-08-06T07:48:51Z)
Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A Reinforcement Learning Based Approach [61.74489383629319]
新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。閉ループアクセス制御の強化学習(RL)支援方式を提案する。深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
論文参考訳（メタデータ） (2023-03-05T12:25:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。