Jeremy Kelway, VP of Engineering für Analytics, Data und KI bei EDB – Interview-Serie

Jeremy (Jezz) Kelway ist Vice President of Engineering bei EDB mit Sitz im Pazifischen Nordwesten, USA. Er leitet ein Team, das sich auf die Bereitstellung von Postgres-basierten Analytics- und KI-Lösungen konzentriert. Mit Erfahrung in der Verwaltung von Database-as-a-Service (DBaaS), operativer Führung und innovativer Technologielieferung hat Jezz eine starke Vergangenheit in der Förderung von Fortschritten in aufstrebenden Technologien.

EDB unterstützt PostgreSQL, um es mit den Geschäftsprioritäten abzustimmen, ermöglicht die Entwicklung von cloud-nativen Anwendungen, kostengünstige Migration von Legacy-Datenbanken und flexible Bereitstellung in hybriden Umgebungen. Mit einem wachsenden Talentpool und robuster Leistung stellt EDB Sicherheit, Zuverlässigkeit und hervorragende Kundenerfahrungen für mission-kritische Anwendungen sicher.

Warum wird Postgres immer mehr zur bevorzugten Datenbank für die Erstellung von generativen KI-Anwendungen, und welche Schlüsselfunktionen machen es für diese sich entwickelnde Landschaft geeignet?

Da fast 75% der US-Unternehmen KI anwenden, benötigen diese Unternehmen eine grundlegende Technologie, die es ihnen ermöglicht, schnell und einfach auf ihre reichhaltigen Daten zuzugreifen und KI vollständig zu nutzen. Hier kommt Postgres ins Spiel.

Postgres ist vielleicht das perfekte technische Beispiel für eine beständige Technologie, die in der Ära der KI wieder an Popularität gewonnen hat. Mit robuster Architektur, nativer Unterstützung für mehrere Datentypen und Erweiterbarkeit durch Design ist Postgres ein idealer Kandidat für Unternehmen, die den Wert ihrer Daten für produktionsreife KI in einer souveränen und sicheren Umgebung nutzen möchten.

Während der 20 Jahre, die EDB existiert, oder der 30+, die Postgres als Technologie existiert, hat die Branche Evolutions-, Verschiebungs- und Innovationsprozesse durchlaufen, und trotz allem setzen Benutzer weiterhin auf “Postgres”, um ihre komplexesten Datenherausforderungen zu meistern.

Wie wird Retrieval-Augmented Generation (RAG) heute angewendet, und wie sehen Sie ihre Auswirkungen auf die Zukunft der “Intelligenten Wirtschaft”?

RAG-Flüsse gewinnen an Popularität und Momentum, und das aus gutem Grund! Wenn man RAG-Flüsse im Kontext der “Intelligenten Wirtschaft” betrachtet, ermöglichen sie den Zugriff auf Informationen auf eine Weise, die die menschliche Erfahrung erleichtert, Zeit spart, indem sie Daten- und Informationsausgaben automatisieren und filtern, die sonst erhebliche manuelle Anstrengung und Zeit erfordern würden. Die erhöhte Genauigkeit des “Such”-Schritts (Retrieval) in Kombination mit der Möglichkeit, spezifischen Inhalt zu einem umfassender trainierten LLM hinzuzufügen, bietet eine Fülle von Möglichkeiten, um fundierte Entscheidungen mit relevanten Daten zu beschleunigen und zu verbessern. Eine nützliche Art, darüber nachzudenken, ist, als ob man einen geschickten Forschungsassistenten hätte, der nicht nur die richtigen Informationen findet, sondern sie auch in einem Kontext präsentiert, der passt.

Welche sind einige der größten Herausforderungen, denen sich Organisationen bei der Implementierung von RAG in der Produktion gegenübersehen, und welche Strategien können helfen, diese Herausforderungen zu meistern?

Auf fundamentaler Ebene ist Ihre Datenqualität Ihr KI-Differenzierungsmerkmal. Die Genauigkeit von und insbesondere die generierten Antworten einer RAG-Anwendung werden immer von der Qualität der Daten abhängen, die zur Trainings- und Ergänzung der Ausgabe verwendet werden. Der Grad der Sophistikation, der durch das generative Modell angewendet wird, wird weniger nützlich sein, wenn die Eingaben fehlerhaft sind, was zu weniger angemessenen und unerwarteten Ergebnissen für die Abfrage (oft als “Halluzinationen” bezeichnet) führt. Die Qualität Ihrer Datenquellen wird immer der Schlüssel zum Erfolg des abgerufenen Inhalts sein, der die generativen Schritte speist – wenn die Ausgabe so genau wie möglich sein soll, müssen die kontextuellen Datenquellen für das LLM so aktuell wie möglich sein.

Von einem Leistungsaspekt aus; die Übernahme einer proaktiven Haltung gegenüber dem, was Ihre RAG-Anwendung zu erreichen versucht – sowie wann und wo die Daten abgerufen werden – wird Sie in die Lage versetzen, potenzielle Auswirkungen zu verstehen. Wenn beispielsweise Ihr RAG-Fluss Daten aus transaktionalen Datenquellen (d. h. ständig aktualisierten Datenbanken, die für Ihr Geschäft kritisch sind) abruft, wird die Überwachung der Leistung dieser wichtigen Datenquellen sowie der Anwendungen, die Daten aus diesen Quellen abrufen, Ihnen ein Verständnis dafür geben, wie sich Ihr RAG-Fluss auf die Leistung auswirkt. Diese Maßnahmen sind ein hervorragender Schritt, um mögliche oder tatsächliche Auswirkungen auf die Leistung kritischer transaktionaler Datenquellen zu bewältigen. Darüber hinaus kann diese Information auch wertvolle Kontexte für die Feinabstimmung der RAG-Anwendung liefern, um den Fokus auf die geeignete Datenabfrage zu legen.

Angesichts des Aufkommens spezialisierter Vektordatenbanken für KI, welche Vorteile bietet Postgres gegenüber diesen Lösungen, insbesondere für Unternehmen, die KI-Workloads operationalisieren möchten?

Eine mission-kritische Vektordatenbank kann anspruchsvolle KI-Workloads unterstützen, während sie gleichzeitig die Datensicherheit, Verfügbarkeit und Flexibilität zur Integration mit bestehenden Datenquellen und strukturierten Informationen gewährleistet. Der Aufbau einer KI-/RAG-Lösung erfordert häufig eine Vektordatenbank, da diese Anwendungen Ähnlichkeitsbewertungen und Empfehlungen beinhalten, die mit hochdimensionalen Daten arbeiten. Die Vektordatenbanken dienen als effiziente und effektive Datenquelle für die Speicherung, Verwaltung und Abrufung dieser kritischen Datenpipelines.

Wie handhabt EDB Postgres die Komplexität der Verwaltung von Vektordaten für KI, und welche sind die Hauptvorteile der Integration von KI-Workloads in eine Postgres-Umgebung?

Obwohl Postgres keine native Vektorkapazität besitzt, ermöglicht die Erweiterung pgvector die Speicherung von Vektordaten neben den restlichen Daten in Postgres. Dies ermöglicht es Unternehmen, Vektorkapazitäten neben bestehenden Datenbankstrukturen zu nutzen, wodurch die Verwaltung und Bereitstellung von KI-Anwendungen vereinfacht wird, indem die Notwendigkeit separater Datenbestände und komplexer Datenübertragungen reduziert wird.

Wie hilft Postgres Unternehmen dabei, ihre Datenpipelines zu straffen und schneller Erkenntnisse zu gewinnen, ohne Komplexität hinzuzufügen, da es zu einer zentralen Rolle in transaktionalen und analytischen Workloads kommt?

Diese Datenpipelines sind effektiv die Treibstoffe für KI-Anwendungen. Mit der Vielzahl von Datenformaten, -speicherorten und -typen werden die Komplexitäten, wie die Abrufphase erreicht wird, schnell zu einer greifbaren Herausforderung, insbesondere wenn die KI-Anwendungen von Proof-of-Concept in die Produktion übergehen.

Die EDB Postgres AI Pipelines-Erweiterung ist ein Beispiel dafür, wie Postgres eine Schlüsselrolle bei der Gestaltung des “Datenmanagement”-Teils der KI-Anwendungsgeschichte spielt. Durch die Vereinfachung der Datenverarbeitung mit automatisierten Pipelines für das Abrufen von Daten aus Postgres oder Objektspeicher, das Generieren von Vektorembeddings für neue Daten und das Auslösen von Updates für Embeddings, wenn sich die Quelldaten ändern – was bedeutet, dass die Daten für Abfrage und Abruf immer aktuell sind, ohne mühsame Wartung.

Welche Innovationen oder Entwicklungen können wir in naher Zukunft von Postgres erwarten, insbesondere da KI weiterhin evolviert und mehr von der Dateninfrastruktur verlangt?

Die Vektordatenbank ist bei Weitem kein abgeschlossenes Kapitel, weitere Entwicklungen und Verbesserungen sind zu erwarten, da die Nutzung und Abhängigkeit von Vektordatenbanktechnologie weiter wächst. Die PostgreSQL-Community setzt ihre Innovationen in diesem Bereich fort, um Methoden zu finden, um die Indizierung zu verbessern, um komplexere Suchkriterien zu ermöglichen, sowie um die Fortschritte der pgvector-Fähigkeit selbst voranzutreiben.

Wie unterstützt Postgres, insbesondere mit den Angeboten von EDB, die Notwendigkeit von Multi-Cloud- und Hybrid-Cloud-Bereitstellungen, und warum ist diese Flexibilität für KI-getriebene Unternehmen wichtig?

Ein jüngstes EDB-Studie zeigt, dass 56% der Unternehmen mission-kritische Workloads in einem Hybrid-Modell bereitstellen, was die Notwendigkeit von Lösungen unterstreicht, die sowohl Agilität als auch Datenhoheit unterstützen. Postgres bietet mit den Erweiterungen von EDB die notwendige Flexibilität für Multi-Cloud- und Hybrid-Cloud-Umgebungen, wodurch KI-getriebene Unternehmen ihre Daten mit sowohl Agilität als auch Kontrolle verwalten können.

EDB Postgres AI bringt Cloud-Agilität und Beobachtbarkeit in hybride Umgebungen mit souveräner Kontrolle. Dieser Ansatz ermöglicht es Unternehmen, die Verwaltung von KI-Modellen zu kontrollieren, während sie gleichzeitig transaktionale, analytische und KI-Workloads in hybriden oder Multi-Cloud-Umgebungen straffen. Durch die Ermöglichung von Datenportabilität, granularer TCO-Kontrolle und einem cloud-ähnlichen Erlebnis auf verschiedenen Infrastrukturen unterstützt EDB KI-getriebene Unternehmen bei der Realisierung schnellerer und agilerer Antworten auf komplexe Datenanforderungen.

Wie unterstützt Postgres die Datenverwaltung, den Datenschutz und die Sicherheit, insbesondere im Kontext der Verarbeitung sensibler Daten für KI-Modelle, da KI immer mehr in Unternehmenssysteme integriert wird?

Da KI sowohl zu einem operativen Eckpfeiler als auch zu einem Wettbewerbsvorteil wird, stehen Unternehmen unter zunehmendem Druck, die Integrität der Daten zu schützen und strenge Compliance-Standards einzuhalten. Diese sich entwickelnde Landschaft stellt die Datenhoheit in den Vordergrund – wo strenge Verwaltung, Sicherheit und Sichtbarkeit nicht nur Prioritäten, sondern Voraussetzungen sind. Unternehmen müssen wissen und sicherstellen, wo ihre Daten sind und wohin sie gehen.

Postgres ist die ideale Grundlage für AI-fähige Datenumgebungen, da es fortschrittliche Fähigkeiten zur Verwaltung sensibler Daten in hybriden und Multi-Cloud-Umgebungen bietet. Seine Open-Source-Basis bedeutet, dass Unternehmen von ständigen Innovationen profitieren, während die Erweiterungen von EDB die Einhaltung von Unternehmenssicherheitsstandards, granularer Zugriffskontrolle und tiefer Beobachtbarkeit gewährleisten – Schlüssel für die verantwortungsvolle Verarbeitung von KI-Daten. Die Souverän-KI-Fähigkeiten von EDB bauen auf dieser Haltung auf, indem sie KI-Fähigkeiten zum Datenbestand bringen, wodurch die Kontrolle darüber ermöglicht wird, wohin diese Daten gehen und von wo sie stammen.

Was macht EDB Postgres einzigartig befähigt, KI-Workloads zu skalieren, während es gleichzeitig hohe Verfügbarkeit und Leistung aufrechterhält, insbesondere für mission-kritische Anwendungen?

EDB Postgres AI hilft, die Dateninfrastruktur zu einem strategischen Technologie-Asset zu erheben, indem es analytische und KI-Systeme näher an die Kern-Operationen und transaktionalen Daten der Kunden bringt – alles über Postgres verwaltet. Es bietet die Datenplattform für KI-Anwendungen, indem es die Infrastrukturkomplexität reduziert, Kosten effizient optimiert und Unternehmensanforderungen für Datensouveränität, Leistung und Sicherheit erfüllt.

Eine elegante Datenplattform für moderne Betreiber, Entwickler, Daten-Ingenieure und KI-Anwendungsbauer, die eine bewährte Lösung für ihre mission-kritischen Workloads benötigen, die den Zugriff auf Analyse- und KI-Funktionen ermöglicht, während sie das Kern-Operationssystem der Unternehmensdatenbank nutzen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten EDB besuchen.