تحسين أداء استعلامات SQL عبر الذكاء الاصطناعي القابل للتفسير: إطار عمل SHAP-LIME مزدوج للتنبؤ الدقيق بوقت الاستجابة وتحسينه في قواعد البيانات العلائقية

الملخص

     يُعدّ تحسين الاستعلامات في قواعد البيانات العلائقية أحد أهمّ التحديات، حيث عجزت مُحسِّنات القواعد عن التكيف مع الطبيعة غير الخطية لأعباء العمل التحليلية الجديدة. ورغم أن نماذج التعلّم الآلي أظهرت قدرة جيدة على التنبؤ بزمن الاستجابة، إلا أن ضعف قابليتها للتفسير يُنشئ فجوة ثقة تُقيّد استخدامها. تُقدّم هذه الورقة البحثية XAIExplainer، وهو إطار عمل ثنائي التفسير يجمع بين مُتنبئ مُجمّع من ثلاثة نماذج (انحدار لاسّو، وأشجار عشوائية للغاية، وشبكة متبقية مُهيكلة قائمة على Keras) مع SHAP وLIME، بالإضافة إلى استخدام بروتوكول ارتباط رتبة سبيرمان. عند قياس أداء XAIExplainer على ثلاثة استعلامات Oracle SQL حقيقية، ذات مستويات تعقيد متفاوتة، حقق تسارعًا ملحوظًا في زمن الاستجابة بلغ 35 و72 و31 مللي ثانية، مع دقة تنبؤية عالية (R² = 0.9712، MAE = 18.4 مللي ثانية) ونسبة توافق مع SHAPLIME بلغت 91.2%. نجح XAIExplainer في معالجة فجوة قابلية التفسير من خلال تحويل البيانات الكمية إلى سرديات مفهومة لمديري قواعد البيانات، واستراتيجيات إعادة كتابة SQL، واقتراحات فهرسة تلقائية.