Jeremy Kelway, Vice President for Engineering for Analytics, Data og AI hos EDB – Interviewserie

Jeremy (Jezz) Kelway er Vice President for Engineering hos EDB, beliggende i det nordvestlige USA. Han leder et team, der fokuserer på at levere Postgres-baserede analytics- og AI-løsninger. Med erfaring i Database-as-a-Service (DBaaS)-ledelse, operationel ledelse og innovativ teknologiudvikling har Jezz en stærk baggrund i at drive fremgang i fremvoksende teknologier.

EDB understøtter PostgreSQL for at være i overensstemmelse med forretningsprioriteter, hvilket muliggør udvikling af cloud-native-applikationer, kosteffektiv migration fra legacy-databaser og fleksibel installation på tværs af hybride miljøer. Med en voksende talentpool og robust ydelse sikrer EDB sikkerhed, pålidelighed og fremragende kundeoplevelser for mission-kritiske applikationer.

Hvorfor bliver Postgres mere og mere det foretrukne databasevalg til opbygning af generative AI-applikationer, og hvilke nøglefunktioner gør det egnet for dette udviklende landskab?

Med næsten 75% af de amerikanske virksomheder, der adopterer AI, kræver disse virksomheder en grundlæggende teknologi, der kan give dem mulighed for hurtigt og let at få adgang til deres overflod af data og fuldt ud at udnytte AI. Det er her, Postgres kommer ind i billedet.

Postgres er måske det perfekte tekniske eksempel på en varig teknologi, der er genopstået i popularitet med større relevans i AI-æraen end nogensinde før. Med en robust arkitektur, naturlig understøttelse af multiple datatyper og udvidelighed ved design er Postgres en primær kandidat for virksomheder, der søger at udnytte værdien af deres data til produktionssikre AI i et suverænt og sikret miljø.

Gennem de 20 år, som EDB har eksisteret, eller de 30+, som Postgres som teknologi har eksisteret, har branchen bevæget sig gennem udviklinger, skift og innovationer, og på trods af alt dette fortsætter brugerne med at “bare bruge Postgres” til at løse deres mest komplekse dataudfordringer.

Hvordan anvendes Retrieval-Augmented Generation (RAG) i dag, og hvordan ser du, at det former fremtiden for den “Intelligente Økonomi”?

RAG-flows vinder stor popularitet og momentum, og det er ikke uden grund! Når det er sat i sammenhæng med den “Intelligente Økonomi”, muliggør RAG-flows adgang til information på måder, der faciliterer den menneskelige oplevelse, besparende tid ved at automatisere og filtrere data og information, der ellers ville kræve betydelig manuel indsats og tid for at oprette. Den øgede nøjagtighed af “søge”-trinnet (Retrieval) kombineret med muligheden for at tilføje specifik indhold til en mere omfattende trænet LLM åbner op for en rig mulighed for at accelerere og forbedre informerede beslutninger med relevante data. En nyttig måde at tænke om dette på er, som om du har en dygtig forskningsassistent, der ikke kun finder den rigtige information, men også præsenterer den på en måde, der passer til konteksten.

Hvad er nogle af de mest betydelige udfordringer, organisationer står over for, når de implementerer RAG i produktion, og hvilke strategier kan hjælpe med at løse disse udfordringer?

På det grundlæggende niveau er din datakvalitet din AI-differentiator. Nøjagtigheden af, og særligt de genererede svar fra, en RAG-applikation vil altid være underlagt kvaliteten af data, der bruges til at træne og supplere output. Niveauet af sofistikation, der anvendes af den generative model, vil være mindre nyttig, hvis/der input er fejlbehæftet, hvilket fører til mindre passende og uventede resultater for forespørgslen (ofte omtalt som “hallucinationer”). Kvaliteten af dine datakilder vil altid være afgørende for succesen af det hentede indhold, der føder den generative trin – hvis output skal være så nøjagtigt som muligt, skal de kontekstuelle datakilder for LLM være så opdaterede som muligt.

Fra et performancesynspunkt; at antage en proaktiv holdning til, hvad din RAG-applikation forsøger at opnå – sammen med hvornår og hvor data hentes – vil placere dig godt til at forstå potentielle påvirkninger. For eksempel, hvis din RAG-flow henter data fra transaktionsdatakilder (dvs. konstant opdaterede DB’er, der er kritiske for din forretning), overvågning af ydelsen af disse nøgledatakilder, sammen med applikationerne, der henter data fra disse kilder, vil give forståelse for påvirkningerne af dine RAG-flow-trin. Disse foranstaltninger er et fremragende skridt til at styre eventuelle eller reelle tidsmæssige påvirkninger på ydelsen af kritiske transaktionsdatakilder. Desuden kan denne information også give værdifuld kontekst for at justere RAG-applikationen til at fokusere på passende datahenting.

Med opkomsten af specialiserede vektor-databaser til AI, hvilke fordele tilbyder Postgres over disse løsninger, især for virksomheder, der søger at operationalisere AI-workloads?

En mission-kritisk vektor-database har evnen til at understøtte krævende AI-workloads, samtidig med at den sikrer datasikkerhed, tilgængelighed og fleksibilitet til at integrere med eksisterende datakilder og struktureret information. Opbygning af en AI/RAG-løsning vil ofte anvende en vektor-database, da disse applikationer indebærer lignende vurderinger og anbefalinger, der arbejder med højdimensional data. Vektor-databaserne fungerer som en effektiv og effektiv datakilde til lagring, administration og henting af disse kritiske datapipelines.

Hvordan håndterer EDB Postgres kompleksiteterne ved at administrere vektor-data til AI, og hvad er de nøglefordele ved at integrere AI-workloads i et Postgres-miljø?

Mens Postgres ikke har en indbygget vektor-funktion, er pgvector en udvidelse, der tillader dig at gemme dine vektor-data sammen med resten af dine data i Postgres. Dette giver virksomheder mulighed for at udnytte vektor-funktioner sammen med eksisterende database-strukturer, hvilket forenkler administrationen og implementeringen af AI-applikationer ved at reducere behovet for separate data-lagre og komplekse dataoverførsler.

Hvordan hjælper Postgres virksomheder med at strømline deres datapipelines og låse op for hurtigere indsigt uden at tilføje kompleksitet?

Disse datapipelines er effektivt brændstof for AI-applikationer. Med de mange data-lagre-formater, -lokationer og -typer bliver kompleksiteten af, hvordan hentningsfasen opnås, hurtigt en konkret udfordring, især når AI-applikationerne bevæger sig fra Proof-of-Concept til produktion.

EDB Postgres AI Pipelines-udvidelse er et eksempel på, hvordan Postgres spiller en nøglerolle i at forme “data-administration”-delen af AI-applikationshistorien. Forenkling af data-processing med automatiserede pipelines til henting af data fra Postgres eller objekt-lagring, generering af vektor-embeddings, når nye data indføres, og udløsning af opdateringer til embeddings, når kilde-data ændres – hvilket altid giver opdaterede data til forespørgsel og henting uden besværlig vedligeholdelse.

Hvad kan vi forvente af innovationer eller udviklinger fra Postgres i den nærmeste fremtid, især når AI fortsætter med at udvikle sig og kræve mere af data-infrastruktur?

Vektor-databasen er på ingen måde en færdig artikel, yderligere udvikling og forbedring forventes, da anvendelsen og afhængigheden af vektor-database-teknologi fortsætter med at vokse. PostgreSQL-fællesskabet fortsætter med at innovere på dette område, søger metoder til at forbedre indeksering for at tillade mere komplekse søgekriterier sammen med fremgangen i pgvector-kapaciteten selv.

Hvordan understøtter Postgres, især med EDB’s tilbud, behovet for multi-cloud og hybrid-cloud-installationer, og hvorfor er denne fleksibilitet vigtig for AI-drevne virksomheder?

En ny EDB-undersøgelse viser, at 56% af virksomhederne nu installerer mission-kritiske workloads i en hybrid-model, hvilket understreger behovet for løsninger, der understøtter både agility og data-suverænitet. Postgres, med EDB’s forbedringer, giver den essentielle fleksibilitet for multi-cloud og hybrid-cloud-miljøer, hvilket giver AI-drevne virksomheder mulighed for at administrere deres data med både fleksibilitet og kontrol.

EDB Postgres AI bringer cloud-agility og overvågning til hybrid-miljøer med suveræn kontrol. Dette tillader virksomheder at kontrollere administrationen af AI-modeller, samtidig med at de strømliner transaktions-, analytiske og AI-workloads på tværs af hybrid- eller multi-cloud-miljøer. Ved at aktivere data-portabilitet, detaljeret TCO-kontrol og en cloud-lignende oplevelse på en række infrastrukturer understøtter EDB AI-drevne virksomheder i at realisere hurtigere og mere agile svar på komplekse datakrav.

Hvordan understøtter Postgres datastyring, privatliv og sikkerhed, især i sammenhæng med håndtering af følsomme data til AI-modeller?

Da AI bliver mere integreret i virksomhedssystemer, står virksomheder over for øget pres for at sikre data-integritet og opretholde strenge overholdelsesstandarder. Dette udviklende landskab sætter data-suverænitet i centrum – hvor streng administration, sikkerhed og synlighed ikke kun er prioriteringer, men forudsætninger. Virksomhederne har brug for at vide og være sikre på, hvor deres data er, og hvor det bevæger sig hen.

Postgres excellerer som rygmarven for AI-klare data-miljøer, tilbydende avancerede funktioner til at administrere følsomme data på tværs af hybrid- og multi-cloud-miljøer. Dets open-source-baggrund betyder, at virksomhederne kan drage fordel af konstant innovation, mens EDB’s forbedringer sikrer overholdelse af enterprise-klasse-sikkerhed, detaljeret adgangskontrol og dyb overvågning – nøglefaktorer for ansvarlig håndtering af AI-data. EDB’s Sovereign AI-kapaciteter bygger på denne holdning, fokuserer på at bringe AI-kapacitet til data, hvilket faciliterer kontrol over, hvor data bevæger sig hen.

Hvad gør EDB Postgres unikt i stand til at skale AI-workloads, samtidig med at det opretholder høj tilgængelighed og ydelse, især for mission-kritiske applikationer?

EDB Postgres AI hjælper med at løfte data-infrastruktur til en strategisk teknologi-aktiv, ved at bringe analytiske og AI-systemer tættere på kundernes kerneoperationelle og transaktionsdata – alt administreret gennem Postgres. Det giver data-platform-fundamentet for AI-drevne apps ved at reducere infrastruktur-kompleksitet, optimere omkostningseffektivitet og opfylde virksomheds-krav til data-suverænitet, ydelse og sikkerhed.

En elegant data-platform for moderne operatører, udviklere, data-ingeniører og AI-applikations-byggere, der kræver en slagkraftig løsning for deres mission-kritiske workloads, giver adgang til analytics- og AI-kapaciteter, samtidig med at de anvender virksomhedens kerneoperationelle database-system.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge EDB.