IA de 4B de parâmetros acelera planos de query do Postgres

Otimizar queries em bancos de dados relacionais é um desafio antigo, e o PostgreSQL, apesar de toda a sua robustez, ainda pena com o planejamento de execução. O problema de ordenar junções, por exemplo, é intrinsecamente complexo, do tipo NP-hard. Basicamente, o otimizador precisa escolher o melhor caminho entre milhares de opções. A dificuldade do Postgres está em estimar com precisão as cardinalidades (o número de linhas resultantes) de cada etapa, baseando-se em estatísticas que nem sempre refletem a realidade. Uma estimativa errada no início pode cascatear e levar a um plano de execução ineficiente.

Agora, um modelo de linguagem de 4 bilhões de parâmetros está mudando esse jogo. Ele foi treinado com fine-tuning supervisionado e reinforcement learning agentic. Usando a extensão pg_hint_plan, o modelo consegue gerar "dicas" que direcionam o Postgres a escolher planos de query mais eficientes. Em testes com 113 queries pesadas em junções, o modelo reduziu a latência em 44,7%, superando significativamente os planos padrão do Postgres. O segredo está em usar IAs para tarefas onde o resultado (tempo de execução da query) é facilmente verificável, permitindo que a IA aprenda a otimizar para este único objetivo.

Esta pesquisa atual usa um modelo de IA para gerar dicas via pg_hint_plan, uma extensão de terceiros, para influenciar o otimizador do Postgres. Curiosamente, o PostgreSQL 19, que foi lançado na mesma data (conforme noticiou o CEVIU em 17 de setembro de 2026), trouxe uma solução nativa e mais formal para o problema: o pg_plan_advice. Este novo recurso permite serializar e aplicar guias de plano de execução diretamente no núcleo do banco de dados.

Enquanto a abordagem da notícia de hoje demonstra a capacidade da IA em inferir otimizações complexas e auxiliar em versões mais antigas do Postgres, a integração de um sistema de "guia de planos" no PostgreSQL 19 aponta para uma padronização e um controle mais profundo. É uma evolução: do uso de ferramentas externas para nudges, para um mecanismo interno que gerencia e aplica explicitamente planos de execução otimizados, talvez até mesmo gerados por IAs futuras.

A otimização de queries por IA tem um impacto direto e profundo em qualquer sistema que lide com grandes volumes de dados. Para empresas com cargas de trabalho analíticas pesadas, onde as mesmas queries são executadas milhares de vezes, pequenas melhorias na eficiência se traduzem em grandes economias de custo e tempo. Não se trata de superar o Postgres em queries "uma-vez-só", mas de encontrar a melhor forma de executar aquelas queries que são pilares da operação.

Este é mais um exemplo prático de como modelos de linguagem, mesmo os menores e de código aberto, conseguem resolver problemas técnicos complexos. O CEVIU News já cobriu como modelos abertos estão superando gargalos e democratizando o acesso à IA, além de como otimizações na inferência de LLMs reduzem custos. Este projeto valida essa tese: não precisamos de modelos gigantescos para resolver problemas específicos com alta eficiência. A aplicabilidade da IA para otimização de infraestrutura é um campo vasto e promissor.