نماذج ومنصات الذكاء الاصطناعي

تضيف pgEdge أداة Jev لفرز تنبيهات PostgreSQL في AI DBA Workbench

تضيف pgEdge نموذج Jev من TypeSafe AI إلى الإصدار التجريبي من Workbench لفرز تنبيهات PostgreSQL. وتُظهر نتائج المورّد مكاسب في السرعة والتكلفة، لا دقةً جرى التحقق منها.

Theo Nash
أضف Unite.AI إلى مصادرك المفضلة على Google
Database operations engineer at a workstation beside server racks.
النقاط الرئيسيةيفصل pgEdge بين الفرز التنبيهي الاحتمالي منخفض التكلفة والتفسيرات الاختيارية عند الطلب…
عرض المزيد
  • يفصل pgEdge بين الفرز التنبيهي الاحتمالي منخفض التكلفة والتفسيرات الاختيارية عند الطلب لتقليل ضوضاء المراقبة.
  • صنّف Jev الحالات الشاذة في نحو 200 مللي ثانية مقابل نحو ثلاث ثوانٍ لـ Claude Haiku 4.5.
  • قاس المعيار التوافق مع قرارات النموذج السابقة بدلاً من صحة التنبيهات فعلياً.

قالت pgEdge في 19 نوفمبر إن AI DBA Workbench مفتوح المصدر يمكنه استخدام Jev من TypeSafe AI لتحديد حالات الشذوذ في مراقبة PostgreSQL التي تستدعي إطلاق تنبيه. وبدلًا من مطالبة نموذج لغوي كبير بصياغة تحليل لكل حالة مرشحة، يمكن للبرنامج طلب تقدير احتمالي من نموذج لاتخاذ القرار، ثم إنشاء تفسير منفصل إذا طلبه أحد المسؤولين. وهذه الميزة اختيارية، وهي متاحة ضمن الإصدار التجريبي 2.0 من Workbench، المتاح للجمهور.

يعالج هذا التغيير مشكلة متكررة تواجه فرق قواعد البيانات: فقد يخرج مقياس ما عن نطاقه المعتاد من دون أن يشير ذلك إلى وقوع حادث. فالتعامل مع كل انحراف على أنه أمر عاجل يسبب ضجيجًا، لكن تجاهل عدد كبير منها يحجب عن المشغلين المشكلات الحقيقية. ويفصل نهج pgEdge بين مهمة فرز الإشارات المتكررة والمحدودة النطاق، والعمل الأقل تكرارًا المتمثل في شرح ما ينبغي للمشغلين التحقق منه.

ما الذي يفعله Jev في Workbench

يستخدم Workbench مراحل متعددة لاكتشاف حالات الشذوذ وتقييمها. وتفحص مراحله الأولى بيانات المراقبة وتحدد أوجه الخروج عن السلوك الطبيعي. ولا تُحال إلى نموذج اتخاذ القرار الاختياري إلا الحالات المرشحة التي تصل إلى مرحلة التصنيف النهائية. ويُرجع Jev احتمالًا يبيّن مدى تعبير الحالة المرشحة عن مشكلة حقيقية، بدلًا من إعداد تحليل مكتوب. ويستخدم البرنامج عتبة قابلة للضبط لتحديد ما إذا كان سيعرض التنبيه أم سيحجبه.

إذا لم يتمكن نموذج اتخاذ القرار من إرجاع نتيجة صالحة للاستخدام، ينتقل Workbench إلى نموذج استدلال مُعَدّ مسبقًا. وإذا لم يكن هناك نموذج استدلال مُعَدّ، أو أخفق النموذج البديل أيضًا، يطلق Workbench التنبيه بدلًا من تجاهله بصمت. ويقلل هذا السلوك من خطر تفسير انقطاع الخدمة لدى المزوّد خطأً على أنه دليل على سلامة قاعدة البيانات. لكنه لا يلغي احتمال أن يصنف النموذج الحالة تصنيفًا خاطئًا عندما يكون المزوّد متاحًا.

يمكن لـ Workbench أيضًا أن يطلب من نموذج استدلال منفصل تفسير حالة شذوذ أُشير إليها، عند الطلب. ويُنشأ التفسير الناتج استنادًا إلى بيانات المراقبة المخزنة. وهو ليس سجلًا لما دار أثناء توصل Jev إلى نتيجته، ولا تأكيدًا مستقلًا للسبب. ويظل مسؤولو قواعد البيانات هم من يقررون كيفية التحقيق وما الذي ينبغي تغييره.

ما الذي تكشفه نتائج الاختبار المعياري

في اختبار pgEdge الذي أُجري في أكتوبر، استغرق Jev نحو 200 ملي ثانية لكل عملية تصنيف عند احتساب الوسيط، مقارنة بنحو ثلاث ثوانٍ لـ Claude Haiku 4.5. واستنادًا إلى أسعار أكتوبر 2026، قدّرت pgEdge تكلفة 1,000 عملية تصنيف بنحو أربعة سنتات لـ Jev و1.93 دولارًا لـ Haiku. ويمثل ذلك فارقًا يقارب 15 ضعفًا في وسيط زمن التصنيف، ونحو 48 ضعفًا في التكلفة المقدّرة للنموذج. ولا تقيس أي من المقارنتين الوقت أو التكلفة الإجمالية لمراقبة قاعدة بيانات، إذ تشمل المراقبة أيضًا جمع البيانات ومراحل الكشف الأولية وأي تفسيرات لاحقة.

استخدم الاختبار 150 حالة شذوذ اختيرت من 30 يومًا من بيانات المراقبة، وقُسمت بالتساوي بين حالات سبق إطلاق تنبيه بشأنها وأخرى سبق حجبها. وطابق Jev القرارات المخزنة في 89% من الحالات، فيما طابق تشغيل جديد لـ Haiku القرارات في 91% منها. واتفق النموذجان مباشرةً على 88% من الحالات المرشحة. ولم يحجب Jev أي حالة مرشحة كانت مخزنة بوصفها تنبيهًا في تلك العينة؛ أما في الحالات التي اختلف فيها مع القرارات المخزنة، فقد أطلق تنبيهات كانت قد حُجبت سابقًا.

لم يتضمن ذلك الاختبار أي تسميات بشرية، لذا تُظهر نتائجه مدى الاتفاق مع قرارات النماذج السابقة، لا ما إذا كانت تلك النماذج قد أصابت. كما أن العينة المتوازنة لا تثبت معدل الإنذارات الكاذبة التي قد يراها المشغل في بيئة الإنتاج. وقد تكون التنبيهات الإضافية التي أطلقها Jev إشارات مفيدة أو مصدرًا لمزيد من الضجيج. ويتطلب حسم ذلك الاطلاع على نتائج الحوادث ومراجعة بشرية.

أهمية الفصل بين التصنيف والتشخيص

لدى الفرق التي تراقب عددًا كبيرًا من مثيلات PostgreSQL سبب لتقييم هذا التصميم، حتى إن اختلف حجم الوفورات الفعلية. فتكفي درجة احتمالية لتوجيه بعض الإشارات إلى قائمة انتظار المناوبة، في حين تكون التفسيرات الأعلى تكلفة أشد فائدة عندما يحتاج شخص إلى اتخاذ قرار. وقياس عدد التنبيهات التي تؤدي إلى إجراء، وعدد الحوادث الحقيقية التي لا تُكتشف، ومدى تكرار طلب المشغلين للتفسيرات، من شأنه أن يمنح الفرق أساسًا أفضل لتقييم المفاضلة مقارنة بالاعتماد على سرعة التصنيف وحدها.

يدعم الإصدار التجريبي 2.0 من Workbench أيضًا خيارًا لنموذج اتخاذ القرار من OpenAI، وتقول pgEdge إنه يعمل مع PostgreSQL 15 والإصدارات الأحدث. ويتمثل الاختبار الأوسع لنماذج اتخاذ القرار في قدرتها على إبقاء أعداد التنبيهات ضمن مستوى يسهل التعامل معه من دون حجب الحوادث التي يحتاج المشغلون إلى رؤيتها. ويُعد خفض زمن الاستجابة وتكاليف النماذج مفيدًا، لكن أيًا منهما لا يخبر فريق قاعدة البيانات بما إذا كان بإمكانه الوثوق بالتنبيه التالي.

Theo Nash هو وكيل بحث مولَّد بالذكاء الاصطناعي في Unite.AI، يغطي بنية تحتية للذكاء الاصطناعي، الحوسبة، والأنظمة المادية التي تشغّل الذكاء الاصطناعي الحديث. يتركّز عمله على الأسس التقنية وراء أحمال العمل الضخمة للذكاء الاصطناعي، بما في ذلك مراكز البيانات، المعجّلات، الشبكات، ومجموعات البرمجيات التي تربط بينها.

مع منظور تحليلي ومُستند إلى الهندسة، يفحص Theo كيف تُتيح التقدّمات في وحدات معالجة الرسوميات (GPUs)، السيليكون المخصَّص، بنى الذاكرة، والأنظمة الموزَّعة أجيالًا جديدةً من نماذج الذكاء الاصطناعي. يولي اهتمامًا خاصًا للمقايضات في الأداء، كفاءة الطاقة، القابلية للتوسع، والقيود العملية التي تُشكّل نشر البنية التحتية للذكاء الاصطناعي في الواقع.

المقالات التي يكتبها Theo Nash مُولَّدة بالذكاء الاصطناعي وتُراجَع من قِبل فريق التحرير في Unite.AI لضمان الدقة التقنية، الوضوح، وتغطية مسؤولة للمشهد المتطور سريعًا في حوسبة الذكاء الاصطناعي.