O uso da inteligência artificial na otimização de consultas em bancos de dados

Resumo

O surgimento dos bancos de dados relacionais remonta à década de 1970. Esta proposta representou uma transformação significativa na forma de organização e de acesso aos dados por sugerir que as informações fossem estruturadas em tabelas e manipuladas por meio de operações baseadas na lógica matemática e na teoria dos conjuntos. Os bancos de dados relacionais mantêm sua relevância e importância mesmo diante da evolução constante da tecnologia e do surgimento de novas abordagens de armazenamento de dados, como as soluções NoSQL, por exemplo. Sua longevidade se deve à robustez do modelo relacional, que garante integridade, consistência e segurança das informações, além do uso da linguagem SQL, um padrão consolidado há décadas. O crescimento exponencial de dados nas últimas décadas tem, contudo, demandado novas abordagens na elaboração de consultas SQL em bancos de dados relacionais, com vistas à otimização do processamento. Nesse contexto, a Inteligência Artificial (IA) surge como solução disruptiva ao possibilitar a automação de processos de tuning, adaptação em tempo real e melhoria do desempenho dos sistemas. Técnicas como aprendizado de máquina, redes neurais e algoritmos genéticos permitem que os sistemas identifiquem padrões de acesso, escolham planos de execução eficientes e ajustem recursos dinamicamente, sem intervenção humana. Este artigo tem como objetivo avaliar comparativamente o desempenho de consultas SQL tradicionais em relação a versões otimizadas por modelos de inteligência artificial, com destaque para o ChatGPT. Para isso, foi adotada uma metodologia experimental baseada na execução de consultas complexas em um banco de dados PostgreSQL. A linguagem Python foi empregada para automatizar a aplicação dos testes, integrar as APIs de IA e registrar métricas relevantes de desempenho. Os experimentos realizados possibilitaram a comparação do impacto da reescrita automatizada das consultas sobre o tempo de execução, a utilização de índices e a quantidade de linhas processadas.