Rekomendacje dotyczące pamięci podręcznej w programie Watson Query

Translation not up to date

The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.

Go back to the English version of the documentation

Last updated: 31 mar 2023

Rekomendacje dotyczące pamięci podręcznej w programie Watson Query

Korzystając z wejściowego zestawu zapytań, Watson Query zaleca uporządkowane listy pamięci podręcznych danych, które mogą zwiększyć wydajność zapytań wejściowych i potencjalnie pomóc w przyszłych obciążeniach zapytań.

Zapytania wejściowe są zapytaniami, które zostały uruchomione w dowolnym miejscu w ciągu poprzedniego 1 dnia do poprzednich 15 dni i muszą mieć czas wykonywania co najmniej jednej minuty. Zalecenia są uznawane za ważne przez jeden dzień, po którym mogą się zmienić w miarę zmian obciążenia zapytaniami.

Mechanizm rekomendacji pamięci podręcznej używa dwóch modeli do generowania rekomendacji.
- Model oparty na regułach korzysta z zaawansowanej heurystyki w celu określenia, które kandydaci na pamięć podręczną pomagają w obciążeniu zapytaniami do danych wejściowych.
- Model oparty na uczeniu maszynowym wykorzystuje wstępnie przeszkolony model uczenia maszynowego, który wykrywa podstawowe wzorce zapytań i przewiduje pamięci podręczne, które pomagają w potencjalnym obciążeniu zapytaniami w przyszłości.
Oba modele generują listę rankingową kandydatów do pamięci podręcznej, które są konsolidowane przez mechanizm w celu wygenerowania końcowego zestawu rekomendacji. Użytkownik może włączyć lub wyłączyć rekomendacje dotyczące pamięci podręcznej na podstawie uczenia maszynowego. Domyślnie rekomendacje dotyczące pamięci podręcznej na podstawie uczenia maszynowego są włączone.

Oprócz zaleceń dotyczących tworzenia pamięci podręcznej, mechanizm zaleca również wyłączenie pamięci podręcznej i usunięcie rekomendacji opartych na minionym użyciu i innych pomiarach. Rekomendacje te są wyświetlane na karcie Aktywne i Nieaktywne w przypadku istniejących pamięci podręcznych.
Rekomendacje dotyczące pamięci podręcznej oparte na uczeniu maszynowym uwzględnia podstawowe wzorce zapytań i przewidywania pamięci podręcznych, które są ważne przez 1 dzień.
Program Watson Query korzysta z wcześniej wyszkolonego modelu, który został przeszkolony w oparciu o standardowy zestaw danych w branży.

Użytkownik może włączyć lub wyłączyć rekomendacje dotyczące pamięci podręcznej na podstawie uczenia maszynowego.
Mechanizm rekomendacji konsoliduje i klasyfikuje ostateczny zestaw rekomendacji z obu modeli. Menedżer może następnie dodawać pamięci podręczne danych z tych rekomendacji.

Program Watson Query udostępnia mechanizm generowania listy rekomendacji w rankingu. Ranking rekomendacji dotyczących tworzenia pamięci podręcznej jest określany przez czas wykonywania zapytań, częstotliwość tych zapytań w obciążeniu wejściowym oraz wagę tych dwóch modeli. Silnik jest w pełni świadomy i nie poleca tworzenia pamiętników, które istnieją. Dodatkowo, silnik nie zaleca tworzenia zduplikowanych pamięci podręcznych.

Proces generowania rekomendacji dotyczących pamięci podręcznej składa się z pięciu etapów, jak przedstawiono na poniższym obrazku:

Przedziały

Mechanizm rekomendacji pamięci podręcznej gromadzi informacje, takie jak tekst zapytania, czas wykonania, liczność, znacznik czasu i częstotliwość dla podanego okresu.

Na poniższym obrazku przedstawiono sposób filtrowania zapytań z obciążenia historycznego w celu dotarcia do końcowego zestawu danych wejściowych zapytań dla mechanizmu rekomendacji:Ustawienia konfiguracyjne pamięci podręcznej są definiowane za pomocą opcji Watson Query Manager. Szczegółowe informacje można znaleźć w sekcji Konfigurowanie rekomendacji dotyczących pamięci podręcznej .

Wyodrębnij

Mechanizm rekomendacji generuje potencjalne bufory pamięci podręcznej dla obciążenia zapytaniami wejściowymi.

Tłumacz

Mechanizm rekomendacji przekształca i konsoliduje kandydatów, aby upewnić się, że są one składniowo i semantycznie poprawne, unikalne oraz wszystkie ograniczenia Db2® .

Oceń

Mechanizm ocenia przekształcone definicje przez dopasowanie każdego kandydata pamięci podręcznej do obciążenia zapytaniami wejściowymi. Ponadto, dla oceny modelu uczenia maszynowego, dla każdego kandydata tworzony jest wysokowydajny wektor predyktorów.

W wyniku tej oceny mechanizm rekomendacji generuje wynik zgodności dla każdego kandydata pamięci podręcznej. Ocena każdego kandydata opiera się na następujących kryteriach.

Matchability Liczba zapytań zgodnych z kandydatem pamięci podręcznej.
Różnorodność Różne zapytania, które są zgodne z kandydatem pamięci podręcznej.
Liczność Wielkość tabeli wynikowej, która jest pobierana przez kandydata pamięci podręcznej.
Wydajność Czas wykonania zapytań, które były zgodne z kandydatem pamięci podręcznej.

Rangowanie i sortowanie

Mechanizm rekomendacji szereguje i sortuje kandydatów do pamięci podręcznej w celu wygenerowania ostatecznej listy rekomendacji. Ostateczna lista rekomendacji jest tworzona w oparciu o następujące kryteria.

Sortowanie kandydatów przy użyciu ważonej wielkości mierzonej w dopasowanej godzinie wykonania zapytania i częstotliwości.
Każdy remis między kandydatami jest zerwany za pomocą częstotliwości zapytań i liczności.