SYSTEM AND METHOD FOR MACHINE LEARNING FOR SYSTEM DEPLOYMENTS WITHOUT PERFORMANCE REGRESSIONS

Methods of machine learning for system deployments without performance regressions are performed by systems and devices. A performance safeguard system is used to design pre-production experiments for determining the production readiness of learned models based on a pre-production budget by leveraging big data processing infrastructure and deploying a large set of learned or optimized models for its query optimizer. A pipeline for learning and training differentiates the impact of query plans with and without the learned or optimized models, selects plan differences that are likely to lead to most dramatic performance difference, runs a constrained set of pre-production experiments to empirically observe the runtime performance, and finally picks the models that are expected to lead to consistently improved performance for deployment. The performance safeguard system enables safe deployment not just for learned or optimized models but also for additional of other ML-for-Systems features. Des procédés d'apprentissage automatique pour des déploiements de système sans régressions de performances sont réalisés par des systèmes et des dispositifs. Un système de protection de performance est utilisé pour concevoir des expériences de pré-production afin de déterminer la disponibilité de production de modèles appris sur la base d'un budget de pré-production en exploitant une infrastructure de traitement de mégadonnées et en déployant un grand ensemble de modèles appris ou optimisés pour son optimiseur d'interrogation. Un pipeline pour l'apprentissage et la formation différencie l'impact de plans d'interrogation avec et sans les modèles appris ou optimisés, sélectionne des différences de plan qui sont susceptibles de conduire à la plus grande différence de performance, exécute un ensemble contraint d'expériences de pré-production pour observer empiriquement les performances d'exécution, et prend enfin les modèles qui devraient conduire à des performances constamment améliorées pour le déploiement. Le système de protection de performance permet un déploiement sûr non seulement pour des modèles appris ou optimisés, mais également pour d'autres caractéristiques parmi des caractéristiques d'apprentissage automatique pour des systèmes.