AI와 데이터베이스 워크로드의 효과적인 통합을 향하여

Towards Effective Orchestration of AI x DB Workloads

AI 기반 분석은 데이터 중심 의사 결정에 점점 더 중요해지고 있습니다. 데이터를 머신러닝 런타임으로 내보내는 방식은 높은 오버헤드를 발생시키고, 데이터 변화에 대한 안정성을 제한하며, 특히 다중 테넌트 및 이기종 데이터 시스템에서 공격 표면을 확대합니다. AI를 데이터베이스 엔진에 직접 통합하는 것은 분명한 이점을 제공하지만, 공동 쿼리 처리 및 모델 실행 관리, 전체 성능 최적화, 리소스 경쟁 하에서의 실행 조정, 강력한 보안 및 접근 제어 보장과 같은 과제를 야기합니다. 본 논문은 AI 기반 데이터 시스템 내에서 AI와 데이터베이스의 공동 데이터 관리 및 쿼리 처리, 즉 AIxDB의 과제를 논의합니다. 쿼리 최적화, 실행 스케줄링, 이기종 하드웨어에서의 분산 실행 등 신중하게 고려해야 할 다양한 과제를 제시합니다. 트랜잭션 관리 및 접근 제어와 같은 데이터베이스 구성 요소는 AI 수명 주기 관리, 데이터 변화 완화, 민감한 데이터가 무단 AI 작업으로부터 보호될 수 있도록 재검토되어야 합니다. 본 논문에서는 AIxDB 쿼리 처리 성능에 중요한 요소가 될 수 있는 설계 및 초기 결과를 제시합니다.

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.