جيريمي كيلواي، نائب الرئيس للهندسة في مجال التحليلات والبيانات والذكاء الاصطناعي في EDB – سلسلة المقابلات

جيريمي (جيز) كيلواي هو نائب الرئيس للهندسة في EDB، ويقع مقرها في شمال غرب المحيط الهادئ، الولايات المتحدة. يقود فريقًا يركز على تقديم حلول تحليلات وذكاء اصطناعي قائمة على بوستجرس. مع خبرة في إدارة قاعدة البيانات كخدمة (DBaaS) والقيادة التشغيلية وتسليم التكنولوجيا المبتكرة، جيز لديه خلفية قوية في دفع التطورات في التكنولوجيا الناشئة.

تدعم EDB بوستجرس لتحقيق التزامات الأعمال، مما يتيح تطوير التطبيقات الأصلية في السحابة، وترحيل فعّال من قواعد البيانات التقليدية، وتنفيذ مرن عبر البيئات الهجينة. مع مجموعة مواهب متزايدة وأداء قوي، تضمن EDB أمانًا وثباتًا وتجارب عملاء فائقة الجودة للتطبيقات الحيوية.

لماذا يصبح بوستجرس بشكل متزايد قاعدة البيانات المثلى لبناء تطبيقات الذكاء الاصطناعي التوليدية، وما هي الميزات الرئيسية التي تجعله مناسبًا لهذا المنظر المتطور؟

مع نearly 75% من الشركات الأمريكية التي تتبنّى الذكاء الاصطناعي، هذه الشركات تتطلب تكنولوجيا أساسية ستسمح لهم بالوصول بسرعة وسهولة إلى كمية كبيرة من البيانات والاستفادة الكاملة من الذكاء الاصطناعي. هذا هو المكان الذي يأتي فيه بوستجرس.

بوستجرس هو ربما المثال الفني المثالي للتكنولوجيا الدائمة التي عادت إلى الشعبية بأهمية أكبر في عصر الذكاء الاصطناعي أكثر من أي وقت مضى. مع هندسة قوية ودعم أصلي للعديد من أنواع البيانات وامتداد التصميم، بوستجرس هو مرشح رئيسي للشركات التي تسعى إلى استغلال قيمة بياناتها من أجل الذكاء الاصطناعي الجاهز للانتاج في بيئة ذات سيادة وأمان.

من خلال السنوات العشرين التي tồnّت فيها EDB، أو أكثر من 30 عامًا لتكنولوجيا بوستجرس، انتقلت الصناعة عبر التطورات والتحولات والابتكارات، ومن خلال كل ذلك، يستمر المستخدمون في “استخدام بوستجرس” لمواجهة تحديات البيانات الأكثر تعقيدًا.

كيف يتم تطبيق تدفقات توليد محسّن بالاسترجاع (RAG) اليوم، وكيف ترى أنها تشكل مستقبل “الاقتصاد الذكي”?

تدفقات RAG تكتسب شعبية وزمًا كبيرين، ولأسباب جيدة! عند وضعها في سياق “الاقتصاد الذكي”، تدفقات RAG تمكن الوصول إلى المعلومات بطرق تسهل التجربة البشرية، وتوفر الوقت عن طريق توفير التلقين والترشيح للبيانات والمعلومات التي كانت ستتطلب جهدًا وتوقيتًا كبيرين لخلقها يدويا. دقة خطوة “البحث” (الاسترجاع) المزودة بإمكانية إضافة محتوى محدد إلى نموذج LLM مدرب بشكل أوسع، توفر فرصًا كبيرة لتعزيز وتسريع اتخاذ القرارات المطلعة بالبيانات ذات الصلة. طريقة مفيدة للتفكير في هذا هي أنك تمتلك مساعدًا بحثيًا ماهرًا لا يجد فقط المعلومات الصحيحة بل يقدمها بطريقة تناسب السياق.

ما هي بعض التحديات الأكثر أهمية التي تواجهها المنظمات عند تنفيذ RAG في الإنتاج، وما هي الاستراتيجيات التي يمكن أن تساعد في مواجهة هذه التحديات؟

على المستوى الأساسي، جودة البيانات هي ميزة الذكاء الاصطناعي. دقة الاستجابات المولدة لتطبيق RAG ستكون دائمًا خاضعة لجودة البيانات المستخدمة في التدريب وتحسين الإخراج. مستوى التطور المطبق بواسطة نموذج التوليد سيكون أقل فائدة إذا كانت المدخلات معيبة، مما يؤدي إلى نتائج أقل ملاءمة وغير متوقعة للاستعلام (المعروفة باسم “هلوسات”). جودة مصادر البيانات ستكون دائمًا مفتاح النجاح للمحتوى المسترد الذي يغذي خطوات التوليد – إذا كانت الإخراج المطلوبة لتكون دقيقة قدر الإمكان، فإن مصادر البيانات السياقية للنموذج LLM يجب أن تكون محدثة قدر الإمكان.

من منظور الأداء؛ اتخاذ موقف استباقي بشأن ما يحاول تطبيق RAG تحقيقه، جنبًا إلى جنب مع متى وحيث يتم استرجاع البيانات، سوف يضعك في وضع جيد لفهم الآثار المحتملة. على سبيل المثال، إذا كان تدفق RAG يسترد البيانات من مصادر بيانات تعاملية (أي قواعد بيانات محدثة باستمرار حيوية لأعمالك)، فإن مراقبة أداء هذه المصادر الحيوية للبيانات، جنبًا إلى جنب مع التطبيقات التي تستخرج البيانات من هذه المصادر، سوف توفر فهمًا للاستفادة من تدفق RAG. هذه الإجراءات هي خطوة ممتازة لتدبير أي تأثيرات محتملة أو فعلية على أداء مصادر البيانات التعاملية الحيوية. بالإضافة إلى ذلك، يمكن أن توفر هذه المعلومات سياقًا قيمًا لتعديل تطبيق RAG لتركيزه على استرجاع البيانات المناسب.

مع صعود قواعد البيانات المتخصصة للذكاء الاصطناعي، ما هي المزايا التي يقدمها بوستجرس على هذه الحلول، خاصةً للشركات التي تسعى إلى تشغيل حمولات الذكاء الاصطناعي؟

قاعدة بيانات متجهة مهمة لها القدرة على دعم حمولات الذكاء الاصطناعي المطالبية مع ضمان أمان البيانات ومتانة وتنوع لدمجها مع مصادر البيانات والبيانات المهيكلة الحالية. بناء حل AI/RAG غالبًا ما يستخدم قاعدة بيانات متجهة لأن هذه التطبيقات تتضمن تقييمات الشبهة وتوصيات تعمل مع بيانات عالية الأبعاد. تعمل قواعد البيانات المتجهة كمحتوى بيانات فعال وكفء للاختبار والتخزين والإدارة والاسترجاع لهذه خطوط أنابيب البيانات الحيوية.

كيف يتعامل EDB Postgres مع تعقيدات إدارة البيانات المتجهة للذكاء الاصطناعي، وما هي الفوائد الرئيسية لتكامل حمولات الذكاء الاصطناعي في بيئة بوستجرس؟

على الرغم من أن بوستجرس لا يحتوي على القدرة الأصلية على المتجهات، pgvector هو امتداد يسمح لك بتخزين بيانات المتجهات جنبًا إلى جنب مع بقية بياناتك في بوستجرس. هذا يسمح للشركات بالاستفادة من قدرات المتجهات جنبًا إلى جنب مع هياكل قاعدة البيانات الحالية، مما يبسط إدارة وتشغيل تطبيقات الذكاء الاصطناعي عن طريق تقليل الحاجة إلى مخازن بيانات منفصلة وعمليات نقل بيانات معقدة.

كيف يساعد بوستجرس الشركات على تبسيط خطوط أنابيب البيانات وتحقيق رؤى أسرع دون إضافة تعقيدات؟

تعتبر هذه خطوط أنابيب البيانات فعليًا وقودًا لتطبيقات الذكاء الاصطناعي. مع تنسيقات تخزين البيانات واماكنها وأنواعها المتنوعة، تصبح تعقيدات كيفية تحقيق خطوة الاسترجاع بسرعة تحديًا ملموسًا، خاصةً عندما تتحرك تطبيقات الذكاء الاصطناعي من概念 الإثبات إلى الإنتاج.

يمثل امتداد خطوط أنابيب EDB Postgres AI مثالًا على كيفية لعب بوستجرس دورًا رئيسيًا في تشكيل جزء “إدارة البيانات” من قصة تطبيق الذكاء الاصطناعي. يبسط معالجة البيانات من خلال خطوط أنابيب أوتوماتيكية لاسترجاع البيانات من بوستجرس أو تخزين الكائنات، وتوليد تعبئة المتجهات الجديدة مع استقبال البيانات الجديدة، وتشغيل تحديثات التعبئة عند تغيير البيانات المصدر – مما يعني دائمًا بيانات محدثة للاستعلام والاسترجاع دون صيانة متعبة.

ما هي الابتكارات أو التطورات التي يمكننا توقعها من بوستجرس في المستقبل القريب، خاصةً مع استمرار تطور الذكاء الاصطناعي وزيادة الطلب على البنية التحتية للبيانات؟

قاعدة البيانات المتجهة ليست بمثابة موضوع مكتمل، ومن المتوقع المزيد من التطوير والتحسين مع استمرار نمو الاعتماد على تكنولوجيا قاعدة البيانات المتجهة. يُستمر في تحسين قاعدة بيانات بوستجرس في هذا المجال، ويُبحث عن طرق لتحسين الفهارس لتمكين معايير بحث أكثر تعقيدًا جنبًا إلى جنب مع تقدم قدرة pgvector نفسها.

كيف يدعم بوستجرس، خاصةً مع عروض EDB، الحاجة إلى توزيعات سحابية متعددة وبيئات سحابية هجينة، ولماذا هذه المرونة مهمة للشركات التي تعتمد على الذكاء الاصطناعي؟

أظهرت دراسة حديثة من EDB أن 56% من الشركات توزع حمولاتها الحيوية في نموذج هجين، مما يبرز الحاجة إلى حلول تدعم المرونة والسيادة على البيانات. يوفر بوستجرس، مع تحسينات EDB، المرونة الأساسية للبيئات السحابية المتعددة والهجينة، مما يمنح الشركات التي تعتمد على الذكاء الاصطناعي القدرة على إدارة بياناتها بمرونة وسيطرة.

يوفر EDB Postgres AI مرونة السحابة ومراقبتها للبيئات الهجينة مع سيطرة ذات سيادة. هذا النهج يسمح للشركات بالسيطرة على إدارة نماذج الذكاء الاصطناعي، مع تسهيل حمولات العمل التعاملية والتحليلية والذكاء الاصطناعي عبر بيئات سحابية متعددة أو هجينة. من خلال تمكين نقل البيانات ومراقبة التكلفة الشاملة والسيطرة الدقيقة، يدعم EDB الشركات التي تعتمد على الذكاء الاصطناعي في تحقيق استجابات أسرع وأكثر مرونة لمطالب البيانات المعقدة.

كيف يدعم بوستجرس حوكمة البيانات والخصوصية والأمان، خاصةً فيما يتعلق بمعالجة البيانات الحساسة لنماذج الذكاء الاصطناعي؟

مع أصبحت الذكاء الاصطناعي حجر الزاوية التشغيلية والمميزة التنافسية، تواجه الشركات ضغوطًا متزايدة لضمان سلامة البيانات ومراقبتها الدقيقة. هذا المنظر المتطور يضع سيادة البيانات في مقدمة الأولويات – حيث لا تكون الحوكمة والسيطرة والرؤية مجرد أولويات بل مسبقات.

يتميز بوستجرس كالعمود الفقري للبيئات الجاهزة للذكاء الاصطناعي، مع تقديم قدرات متقدمة لإدارة البيانات الحساسة عبر إعدادات سحابية متعددة وهجينة. يعني أساسها المفتوح المصدر أن الشركات تستفيد من الابتكار المستمر، بينما تضمن تحسينات EDB الالتزام بالأمان من الدرجة الأولى والسيطرة على الوصول والرؤية العميقة – جميعها مفتاح للتعامل مع بيانات الذكاء الاصطناعي بشكل مسؤول. تعزز قدرات EDB للذكاء الاصطناعي السيادي من هذا الموقف، مع التركيز على جلب القدرات الذكية إلى البيانات، وبالتالي تسهيل السيطرة على مكان انتقال البيانات ومنها.

ما الذي يجعل EDB Postgres قادرًا بشكل فريد على تحمل حمولات الذكاء الاصطناعي مع الحفاظ على المتانة والأداء، خاصةً للتطبيقات الحيوية؟

يسهم EDB Postgres AI في رفع البنية التحتية للبيانات إلى أصول تكنولوجية استراتيجية من خلال جلب الأنظمة التحليلية والذكاء الاصطناعي أقرب إلى بيانات التشغيل والتعاملات الأساسية للعملاء – جميعها يتم إدارتها من خلال بوستجرس. يوفر الأساس المناسب للبيانات لتطبيقات الذكاء الاصطناعي من خلال تقليل تعقيدات البنية التحتية، وضمان الكفاءة التكلفة، وتلبية متطلبات السيادة على البيانات والأداء والأمان للشركات.

منصة بيانات أنيقة للمشغلين الحديثين، المطورين، مهندسي البيانات، وبناة التطبيقات الذكية الذين يحتاجون إلى حل مُختبر في المعركة لحمولاتهم الحيوية، مما يسمح بالوصول إلى قدرات التحليل والذكاء الاصطناعي أثناء استخدام نظام قاعدة البيانات التشغيلية للشركة.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا EDB.