Jeremy Kelway, VP of Engineering for Analytics, Data, and AI at EDB – Interview Series

Jeremy (Jezz) Kelway je viceprezident pro inženýrství ve společnosti EDB, se sídlem v Pacifickém severozápadě USA. Věnuje se vedení týmu, který se zaměřuje na dodávání řešení založených na Postgres pro analytiku a umělou inteligenci. S zkušenostmi v oblasti správy Database-as-a-Service (DBaaS), operačního vedení a inovativního doručování technologií má Jezz silný background v podpoře pokroku v oblasti vznikajících technologií.

EDB podporuje PostgreSQL, aby odpovídal obchodním prioritám, umožňoval vývoj cloudových aplikací, nákladově efektivní migraci z legacy databází a flexibilní nasazení v hybridních prostředích. S rostoucím talentem a robustním výkonem zajišťuje EDB bezpečnost, spolehlivost a nadstandardní zákaznické zkušenosti pro kritické aplikace.

Proč se Postgres stále více stává databází volby pro stavbu generativních aplikací AI a jaké klíčové funkce z něj dělají vhodného kandidáta pro tuto se vyvíjející krajinu?

S téměř 75% amerických společností, které přijímají AI, tyto podniky vyžadují základní technologii, která jim umožní rychle a snadno přistupovat ke své bohaté datové základně a plně využít AI. Zde vstupuje Postgres do hry.

Postgres je snadným technickým příkladem trvale udržitelné technologie, která se opět stala populární s větší relevancí v éře AI než kdykoli předtím. S robustní architekturou, nativní podporou pro více datových typů a rozšiřitelností podle návrhu je Postgres hlavním kandidátem pro podniky, které chtějí využít hodnotu svých dat pro produkční AI v suverénním a zabezpečeném prostředí.

Během 20 let existence EDB nebo 30+ let existence technologie Postgres prošla průmysl evolucemi, posuny a inovacemi, a přesto uživatelé pokračují v „používání Postgres“ pro řešení svých nejsložitějších datových výzev.

Jak je dnes Retrieval-Augmented Generation (RAG) aplikován a jak vidíte jeho budoucí vliv na “Intelligent Economy”?

RAG toky získávají značnou popularitu a dynamiku, a to ze správného důvodu! Když jsou rámovány v kontextu „Intelligent Economy“, RAG toky umožňují přístup k informacím způsobem, který usnadňuje lidské zkušenosti, šetří čas automatizací a filtrováním dat a informací, které by jinak vyžadovaly značné manuální úsilí a čas. Zvýšená přesnost „vyhledávacího“ kroku (Retrieval) v kombinaci s možností přidání specifického obsahu do více školeného LLM nabízí bohatou příležitost urychlit a zlepšit informované rozhodování s relevantními daty. Užitečný způsob, jak o tom přemýšlet, je jako kdyby jste měli dovedného výzkumného asistenta, který nejen najde správné informace, ale také je prezentuje způsobem, který odpovídá kontextu.

Jaké jsou některé z nejvýznamnějších výzev, kterým čelí organizace při implementaci RAG do produkce, a jaké strategie mohou pomoci řešit tyto výzvy?

Na fundamentální úrovni je vaše datová kvalita vaším AI diferencátorem. Přesnost, a zejména generovaných odpovědí, RAG aplikace bude vždy záviset na kvalitě dat, která se používají pro školení a doplnění výstupu. Úroveň sofistikovanosti aplikované generativním modelem bude méně výhodná, pokud/v případě, že vstupní data jsou vadná, což vede k méně vhodným a neočekávaným výsledkům pro dotaz (často označovaným jako „halucinace“). Kvalita vašich datových zdrojů bude vždy klíčová pro úspěch načteného obsahu, který krmit generativní kroky – pokud je požadován co možná nejpreciznější výstup, kontextové datové zdroje pro LLM budou muset být co nejaktuálnější.

Z hlediska výkonu; přijetí proaktivního postoje k tomu, co vaše RAG aplikace snaží dosáhnout – spolu s tím, kdy a kde jsou data načítána – vás dobře připraví na pochopení potenciálních dopadů. Například, pokud váš RAG tok načítá data z transakčních datových zdrojů (tj. neustále aktualizovaných DB, které jsou kritické pro váš podnik), monitorování výkonu těchto klíčových datových zdrojů, spolu s aplikacemi, které čerpají data z těchto zdrojů, vám poskytne pochopení potenciálních dopadů vašeho RAG toku. Tyto opatření jsou vynikajícím krokem pro řízení jakýchkoli potenciálních nebo reálných dopadů na výkon kritických transakčních datových zdrojů. Kromě toho může tato informace také poskytnout cenný kontext pro ladění RAG aplikace, aby se zaměřila na vhodný výběr dat.

Vzhledem k růstu specializovaných vektorových databází pro AI, jaké výhody nabízí Postgres oproti těmto řešením, zejména pro podniky, které chtějí operačně využívat AI zátěže?

Databáze vektorů s misí kritickým výkonem má schopnost podporovat náročné AI zátěže,同时 zajišťuje bezpečnost dat, dostupnost a flexibilitu pro integraci s existujícími datovými zdroji a strukturovanou informací. Budování AI/RAG řešení často využívá vektorové databáze, protože tyto aplikace zahrnují hodnocení podobnosti a doporučení, které pracují s vysokodimenzionálními daty. Vektorové databáze slouží jako efektivní a efektivní zdroj dat pro úložiště, správu a načítání pro tyto kritické datové potrubí.

Jak EDB Postgres zvládá složitosti správy vektorových dat pro AI a jaké jsou klíčové výhody integrace AI zátěží do prostředí Postgres?

Přestože Postgres nemá nativní vektorovou schopnost, pgvector je rozšíření, které umožňuje uložit vaše vektorová data vedle zbytku vašich dat v Postgres. To umožňuje podnikům využívat vektorové schopnosti vedle existujících databázových struktur, což zjednodušuje správu a nasazení AI aplikací snížením potřeby samostatných úložišť dat a komplexních přenosů dat.

Jak Postgres, který se stává centrálním hráčem v transakčních i analytických zátěžích, pomáhá organizacím zefektivnit své datové potrubí a odemknout rychlejší přehledy bez přidání složitosti?

Tyto datové potrubí účinně pohánějí AI aplikace. S množstvím datových úložných formátů, lokalit a datových typů se komplexity, jak je dosaženo fáze načítání, rychle stávají hmatatelnou výzvou, zejména když se AI aplikace pohybují z Proof-of-Concept do Produkce.

Rozšíření EDB Postgres AI Pipelines je příkladem toho, jak Postgres hraje klíčovou roli ve formování „datového managementu“ části AI aplikací. Zjednodušuje zpracování dat automatizovanými potrubími pro načítání dat z Postgres nebo objektového úložiště, generování vektorových vložek jako nových dat, která jsou načítána, a spouštění aktualizací vložek, když se změní zdroj dat – což znamená vždy aktuální data pro dotaz a načítání bez únavného údržby.

Jaké inovace nebo vývoj lze očekávat od Postgres v blízké budoucnosti, zejména když AI bude pokračovat ve vývoji a vyžadovat více od datové infrastruktury?

Vektorová databáze není žádným způsobem dokončeným článkem, další vývoj a vylepšení se očekávají, protože využití a závislost na vektorové databázové technologii bude pokračovat. PostgreSQL komunita pokračuje v inovacích v tomto prostoru, hledá metody pro vylepšení indexování, aby umožňovaly komplexnější vyhledávací kritéria spolu s pokrokem samotné schopnosti pgvector.

Jak Postgres, zejména s nabídkami EDB, podporuje potřebu multi-cloud a hybridních cloudových nasazení, a proč je tato flexibilita důležitá pro AI-poháněné podniky?

Nedávná studie EDB ukazuje, že 56% podniků nasazuje kritické zátěže v hybridním modelu, což zdůrazňuje potřebu řešení, která podporují jak agilitu, tak suverenitu dat. Postgres, s vylepšeními EDB, poskytuje nezbytnou flexibilitu pro multi-cloud a hybridní cloudová prostředí, umožňující AI-poháněným podnikům spravovat svá data s flexibilitou a kontrolou.

EDB Postgres AI přináší cloudovou agilitu a pozorovatelnost do hybridních prostředí se suverénní kontrolou. Tento přístup umožňuje podnikům řídit správu AI modelů, zatímco také zefektivňuje transakční, analytické a AI zátěže napříč hybridními nebo multi-cloudovými prostředími. Povolováním portability dat, jemné kontroly TCO a cloudového zážitku na různých infrastrukturách podporuje EDB AI-poháněné podniky v realizaci rychlejších, agilnějších reakcí na komplexní datové požadavky.

Jak Postgres podporuje správu dat, soukromí a bezpečnost, zejména v kontextu zpracování citlivých dat pro AI modely, když se AI stává více zakotvenou v podnikových systémech?

Když se AI stává jak operačním kamenem, tak konkurenční výhodou, podniky čelí rostoucímu tlaku na ochranu integrity dat a dodržování přísných standardů shody. Tato se vyvíjející krajina staví suverenitu dat do popředí – kde přísná správa, bezpečnost a viditelnost nejsou jen prioritami, ale předpoklady. Podniky potřebují vědět a být jisté, kde jejich data jsou, a kam jdou.

Postgres vyniká jako páteř AI-připraveného datového prostředí, nabízející pokročilé schopnosti pro správu citlivých dat napříč hybridními a multi-cloudovými prostředími. Jeho open-source základ znamená, že podniky profitují z neustálé inovace, zatímco vylepšení EDB zajišťují dodržování podnikové třídy zabezpečení, jemné kontroly přístupu a hluboké pozorovatelnosti – klíčové pro odpovědné zpracování AI dat. Schopnosti EDB Sovereign AI staví na tomto postoji, zaměřují se na přinášení AI schopností k datům, usnadňující kontrolu nad tím, kam tato data putují, a odkud pocházejí.

Co dělá EDB Postgres jedinečně schopným škálovat AI zátěže, zatímco udržuje vysokou dostupnost a výkon, zejména pro kritické aplikace?

EDB Postgres AI pomáhá povýšit datovou infrastrukturu na strategickou technologickou aktivum tím, že přibližuje analytické a AI systémy blíže k zákazníkům.core operačním a transakčním datům – vše řízené prostřednictvím Postgres. Poskytuje datovou platformu pro AI-poháněné aplikace snížením komplexity infrastruktury, optimalizací nákladové efektivity a splněním podnikových požadavků na suverenitu dat, výkon a bezpečnost.

Elegantní datová platforma pro moderní operátory, vývojáře, datové inženýry a AI aplikaci stavitele, kteří vyžadují osvědčené řešení pro své kritické zátěže, umožňující přístup k analytickým a AI schopnostem, zatímco používají podnikovou core operační databázi.

Děkuji za skvělý rozhovor, čtenáři, kteří si chtějí dozvědět více, by měli navštívit EDB.