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

Ο Jeremy (Jezz) Kelway είναι Αντιπρόεδρος Μηχανικής στην EDB, με έδρα την περιοχή του Ειρηνικού Βορειοδυτικά, ΗΠΑ. Ηγείται μιας ομάδας που επικεντρώνεται στην παράδοση λύσεων ανάλυσης και AI βασισμένων στο Postgres. Με εμπειρία στη διαχείριση Database-as-a-Service (DBaaS), ηγετική διαχείριση και καινοτόμα παράδοση τεχνολογίας, ο Jezz έχει einen ισχυρό υπόβαθρο στην οδήγηση των προόδων στις αναδυόμενες τεχνολογίες.

Η EDB υποστηρίζει το PostgreSQL για να ευθυγραμμίσει με τις προτεραιότητες των επιχειρήσεων, ενεργοποιώντας την ανάπτυξη εφαρμογών cloud-φιλικών, με οικονομική μετανάστευση από legacy βάσεις δεδομένων και ευέλικτη ανάπτυξη σε υβριδικά περιβάλλοντα. Με μια αυξανόμενη πηγή ταλέντου και ρομποτική απόδοση, η EDB διασφαλίζει την ασφάλεια, την αξιοπιστία και την υπεροχή των εμπειριών των πελατών για εφαρμογές κρίσιμης αποστολής.

Γιατί το Postgres γίνεται ολοένα και περισσότερο η βάση δεδομένων για την κατασκευή εφαρμογών γενετικής AI, και ποια είναι τα βασικά χαρακτηριστικά που το καθιστούν κατάλληλο για αυτό το εξελισσόμενο τοπίο;

Με περίπου 75% των εταιρειών των ΗΠΑ που υιοθετούν AI, αυτές οι επιχειρήσεις απαιτούν μια θεμελιώδη τεχνολογία που θα τους επιτρέψει να έχουν γρήγορη και εύκολη πρόσβαση στα πλεονάζοντα δεδομένα τους και να ενσωματώσουν πλήρως την AI. Αυτό είναι το σημείο όπου το Postgres εισέρχεται.

Το Postgres είναι ίσως το τέλειο τεχνικό παράδειγμα μιας ανθεκτικής τεχνολογίας που έχει ξαναεμφανιστεί σε δημοτικότητα με μεγαλύτερη σχετικότητα στην εποχή της AI από ποτέ trước. Με ρομποτική αρχιτεκτονική, εγγενή υποστήριξη για πολλαπλά τύποι δεδομένων και επεκτασιμότητα με σχεδιασμό, το Postgres είναι ένας ιδανικός υποψήφιος για τις επιχειρήσεις που αναζητούν να εκμεταλλευτούν την αξία των δεδομένων τους για παραγωγή-έτοιμες AI σε ένα κυρίαρχο και ασφαλές περιβάλλον.

Μέσα από τα 20 χρόνια που η EDB υπάρχει, ή τα 30+ που το Postgres ως τεχνολογία υπάρχει, η βιομηχανία έχει περάσει από εξελίξεις, μετατοπίσεις και καινοτομίες, και μέσα από όλα αυτά, οι χρήστες συνεχίζουν να «χρησιμοποιούν απλά το Postgres» για να αντιμετωπίσουν τις πιο σύνθετες προκλήσεις δεδομένων.

Πώς εφαρμόζεται σήμερα η Retrieval-Augmented Generation (RAG) και πώς την βλέπετε να διαμορφώνει το μέλλον της “Εξυπνης Οικονομίας”;

Οι ροές RAG κερδίζουν σημαντική δημοτικότητα και ορμή, με καλό λόγο! Όταν ενταχθούν στο πλαίσιο της ‘Εξυπνης Οικονομίας’, οι ροές RAG ermögουν την πρόσβαση σε πληροφορίες με τρόπους που διευκολύνουν την ανθρώπινη εμπειρία, εξοικονομώντας χρόνο με την αυτοματοποίηση και το φιλτράρισμα της έξοδου δεδομένων και πληροφοριών που θα χρειαζόταν σημαντική χειρονακτική προσπάθεια και χρόνο για να δημιουργηθεί. Η αυξημένη ακρίβεια του βήματος “αναζήτησης” (Retrieval) σε συνδυασμό με την khảότητα να προσθέσετε συγκεκριμένο περιεχόμενο σε ένα ευρύτερα εκπαιδευμένο LLM προσφέρει πλούσια ευκαιρία να επιταχύνει και να ενισχύσει την ενημερωμένη λήψη αποφάσεων με σχετικά δεδομένα. Ένας χρήσιμος τρόπος να σκεφτείτε αυτό είναι σαν να έχετε einen εξειδικευμένο ερευνητή που όχι μόνο βρίσκει τις σωστές πληροφορίες αλλά και τις παρουσιάζει με τρόπο που ταιριάζει στο контекст.

Ποια είναι κάποια από τα πιο σημαντικά προβλήματα που αντιμετωπίζουν οι οργανισμοί κατά την εφαρμογή της RAG σε παραγωγή, και ποίες στρατηγικές μπορούν να βοηθήσουν στην αντιμετώπιση αυτών των προκλήσεων;

Στο θεμελιώδες επίπεδο, η ποιότητα των δεδομένων σας είναι ο διαφορετικός παράγοντας της AI. Η ακρίβεια των, και ιδιαίτερα των γεννημένων απαντήσεων, μιας εφαρμογής RAG θα είναι πάντα υπόκειται στην ποιότητα των δεδομένων που χρησιμοποιούνται για την εκπαίδευση και την ενίσχυση της έξοδου. Το επίπεδο σοφιστικέ της που εφαρμόζεται από το γενετικό μοντέλο θα είναι λιγότερο ωφέλιμο αν/όπου οι εισαγωγές είναι ελαττωματικές, οδηγώντας σε λιγότερο κατάλληλες και απρόβλεπτες αποτελέσματα για την ερώτηση (συχνά αναφερόμενα ως ‘hallucinations’). Η ποιότητα των πηγών δεδομένων σας θα είναι πάντα κλειδί για την επιτυχία του ανακτημένου περιεχομένου που τροφοδοτεί τα γενετικά βήματα—αν η έξοδος επιθυμείται να είναι τόσο ακριβής όσο είναι δυνατό, οι πηγές δεδομένων για το LLM θα πρέπει να είναι τόσο ενημερωμένες όσο είναι δυνατό.

Από την πλευρά της απόδοσης, η υιοθέτηση μιας προληπτικής στάσης σχετικά με αυτό που η εφαρμογή RAG σας προσπαθεί να επιτύχει—μαζί με το πότε και πού τα δεδομένα ανακτώνται—θα σας θέσει σε καλή θέση να κατανοήσετε τις πιθανές επιπτώσεις. Για παράδειγμα, αν η ροή RAG σας ανακτά δεδομένα από διαχειριστικές πηγές δεδομένων (π.χ. συνεχώς ενημερωμένες βάσεις δεδομένων που είναι κρίσιμες για την επιχείρησή σας), η παρακολούθηση της απόδοσης αυτών των κρίσιμων πηγών δεδομένων, μαζί με τις εφαρμογές που ανακτώνται δεδομένα από αυτές τις πηγές, θα σας δώσει κατανόηση σχετικά με τις πιθανές επιπτώσεις της ροής RAG. Αυτά τα μέτρα είναι ένα εξαιρετικό βήμα για τη διαχείριση των πιθανών ή πραγματικών επιπτώσεων στην απόδοση των κρίσιμων διαχειριστικών πηγών δεδομένων. Επιπλέον, αυτές οι πληροφορίες μπορούν επίσης να σας δώσουν πολύτιμη контекστ για την ρύθμιση της εφαρμογής RAG για να επικεντρωθεί σε κατάλληλη ανάκτηση δεδομένων.

Δεδομένου της άνοδου των εξειδικευμένων διανυσματικών βάσεων δεδομένων για AI, ποια είναι τα πλεονεκτήματα που προσφέρει το Postgres πάνω από αυτές τις λύσεις, ιδιαίτερα για τις επιχειρήσεις που αναζητούν να λειτουργήσουν AI workloads;

Μια κρίσιμη διανυσματική βάση δεδομένων έχει την ικανότητα να υποστηρίξει απαιτητικές AI workloads ενώ διασφαλίζει την ασφάλεια δεδομένων, τη διαθεσιμότητα και την ευελιξία για την ενσωμάτωση με υπάρχουσες πηγές δεδομένων και δομημένες πληροφορίες. Η κατασκευή μιας λύσης AI/RAG θα χρησιμοποιήσει συχνά μια διανυσματική βάση δεδομένων καθώς αυτές οι εφαρμογές εμπλέκονται με αξιολογήσεις ομοιότητας και συστάσεις που εργάζονται με υψηλοδιάστατα δεδομένα. Οι διανυσματικές βάσεις δεδομένων λειτουργούν ως αποτελεσματική και αποτελεσματική πηγή δεδομένων για αποθήκευση, διαχείριση και ανάκτηση για αυτές τις κρίσιμες διαδικασίες δεδομένων.

Πώς διαχειρίζεται το EDB Postgres τις сложκότητες της διαχείρισης διανυσματικών δεδομένων για AI, και ποια είναι τα κλειδιά οφέλη της ενσωμάτωσης AI workloads σε ένα περιβάλλον Postgres;

Ενώ το Postgres δεν έχει εγγενή διανυσματική ικανότητα, το pgvector είναι μια επέκταση που σας επιτρέπει να αποθηκεύσετε τα διανυσματικά δεδομένα σας μαζί με τα υπόλοιπα δεδομένα σας στο Postgres. Αυτό επιτρέπει στις επιχειρήσεις να εκμεταλλευτούν τις διανυσματικές ικανότητες μαζί με τις υπάρχουσες δομές βάσης δεδομένων, απλοποιώντας τη διαχείριση και την ανάπτυξη εφαρμογών AI με τη μείωση της ανάγκης για ξεχωριστές αποθήκες δεδομένων και σύνθετες μεταφορές δεδομένων.

Με το Postgres να γίνεται κεντρικός παίκτης και σε συναλλακτικές και αναλυτικές workloads, πώς βοηθά τις οργανώσεις να απλοποιήσουν τις διαδικασίες δεδομένων τους και να ξεκλειδώσουν ταχύτερες εποπτικές χωρίς να προσθέτουν複雑ότητα;

Αυτές οι διαδικασίες δεδομένων είναι αποτελεσματικά καύσιμα για τις εφαρμογές AI. Με την ποικιλία των μορφών αποθήκευσης δεδομένων, θέσεων και τύπων δεδομένων, οι сложκότητες του πώς το βήμα ανάκτησης επιτυγχάνεται γρήγορα γίνονται μια ουσιαστική πρόκληση, ιδιαίτερα καθώς οι εφαρμογές AI μετακινούνται από Proof-of-Concept σε Παραγωγή.

Η επέκταση EDB Postgres AI Pipelines είναι ένα παράδειγμα του πώς το Postgres παίζει einen κρίσιμο ρόλο στη διαμόρφωση του ‘διαχείρισης δεδομένων’ της ιστορίας της εφαρμογής AI. Απλοποιώντας την επεξεργασία δεδομένων με αυτοματοποιημένες διαδικασίες για την ανάκτηση δεδομένων από το Postgres ή αποθήκευση αντικειμένων, τη δημιουργία διανυσματικών εμβυθών ως νέων δεδομένων που εισάγονται, και την ενεργοποίηση ενημερώσεων σε εμβυθές όταν αλλάζουν τα δεδομένα πηγής—σημαίνει πάντα ενημερωμένα δεδομένα για ερώτηση και ανάκτηση χωρίς χρονοβόρες συντήρηση.

Τι καινοτομίες ή εξελίξεις μπορούμε να περιμένουμε από το Postgres στο κοντινό μέλλον, ιδιαίτερα καθώς η AI συνεχίζει να εξελίσσεται και να απαιτεί περισσότερα από την υποδομή δεδομένων;

Η διανυσματική βάση δεδομένων δεν είναι aucun τελειωμένο άρθρο, περαιτέρω ανάπτυξη και βελτίωση είναι αναμενόμενα καθώς η χρήση και η εξάρτηση από την τεχνολογία διανυσματικής βάσης δεδομένων συνεχίζει να αυξάνεται. Η κοινότητα PostgreSQL συνεχίζει να καινοτομεί σε αυτό το χώρο, αναζητώντας μεθόδους για την ενίσχυση της ευρετηρίασης για να επιτρέψει πιο σύνθετα κριτήρια αναζήτησης μαζί με την πρόοδο της ικανότητας pgvector.

Πώς το Postgres, ιδιαίτερα με τις προσφορές της EDB, υποστηρίζει την ανάγκη για multi-cloud και υβριδικές αναπτύξεις cloud, και γιατί αυτή η ευελιξία είναι σημαντική για τις επιχειρήσεις που οδηγούνται από AI;

Μια πρόσφατη μελέτη της EDB δείχνει ότι το 56% των επιχειρήσεων αναπτύσσουν κρίσιμες για την αποστολή workloads σε ένα υβριδικό μοντέλο, υπογραμμίζοντας την ανάγκη για λύσεις που υποστηρίζουν και την ευελιξία και την κυριαρχία δεδομένων. Το Postgres, με τις βελτιώσεις της EDB, προσφέρει την απαραίτητη ευελιξία για multi-cloud και υβριδικά περιβάλλοντα cloud, ενδυναμώνοντας τις επιχειρήσεις που οδηγούνται από AI να διαχειρίζονται τα δεδομένα τους με και ευελιξία και έλεγχο.

Το EDB Postgres AI φέρνει την ευελιξία cloud και την παρατηρησιμότητα σε υβριδικά περιβάλλοντα με κυρίαρχο έλεγχο. Αυτή η προσέγγιση επιτρέπει στις επιχειρήσεις να ελέγχουν τη διαχείριση των μοντέλων AI, ενώ επίσης απλοποιούν τις συναλλακτικές, αναλυτικές και AI workloads σε υβριδικά ή multi-cloud περιβάλλοντα. Ενεργοποιώντας την φορητότητα δεδομένων, τον έλεγχο TCO και μια εμπειρία cloud-όπως σε eine ποικιλία υποδομών, η EDB υποστηρίζει τις επιχειρήσεις που οδηγούνται από AI να πραγματοποιούν ταχύτερες και πιο ευέλικτες απαντήσεις σε σύνθετες απαιτήσεις δεδομένων.

Όσο η AI γίνεται πιο ενσωματωμένη σε συστήματα επιχείρησης, πώς το Postgres υποστηρίζει τη διακυβέρνηση δεδομένων, την ιδιωτικότητα και την ασφάλεια, ιδιαίτερα στο контекστ της διαχείρισης ευαίσθητων δεδομένων για μοντέλα AI;

Όσο η AI γίνεται και λειτουργική γωνία και διαφοροποιητής ανταγωνισμού, οι επιχειρήσεις αντιμετωπίζουν αυξανόμενη πίεση για την προστασία της ακεραιότητας δεδομένων και την τήρηση αυστηρών προτύπων συμμόρφωσης. Αυτό το εξελισσόμενο τοπίο τοποθετεί την κυριαρχία δεδομένων στο κέντρο—όπου η αυστηρή διακυβέρνηση, ασφάλεια και ορατότητα δεν είναι μόνο προτεραιότητες αλλά προαπαιτούμενα. Οι επιχειρήσεις πρέπει να γνωρίζουν και να είναι βέβαιες για το πού βρίσκονται τα δεδομένα τους και πού πηγαίνουν.

Το Postgres excels ως η ραχοκοκαλιά για AI-έτοιμους περιβάλλοντες δεδομένων, προσφέροντας προηγμένα χαρακτηριστικά για τη διαχείριση ευαίσθητων δεδομένων σε υβριδικά και multi-cloud ρυθμίσεις. Η ανοικτή πηγή του σημαίνει ότι οι επιχειρήσεις ωφελούνται από τη συνεχής καινοτομία, ενώ οι βελτιώσεις της EDB διασφαλίζουν την τήρηση των προτύπων ασφαλείας επιχείρησης, του ελέγχου πρόσβασης και της βαθιάς παρατηρησιμότητας—κλειδιά για την υπεύθυνη διαχείριση δεδομένων AI. Οι ικανότητες Κυρίαρχης AI της EDB χτίζονται σε αυτήν την στάση, εστιάζοντας στην ενεργοποίηση της ικανότητας AI στα δεδομένα, διευκολύνοντας έτσι τον έλεγχο του πού μετακινούνται τα δεδομένα και από πού.

Τι κάνει το EDB Postgres μοναδικά ικανό να κλιμακώνει AI workloads ενώ διατηρεί υψηλή διαθεσιμότητα και απόδοση, ιδιαίτερα για κρίσιμες εφαρμογές;

Το EDB Postgres AI βοηθά στην αναβάθμιση της υποδομής δεδομένων σε einer στρατηγικής τεχνολογικής资产, φέρνοντας τα αναλυτικά και AI συστήματα πιο κοντά στα δεδομένα λειτουργίας και συναλλαγών των πελατών—όλα διαχειριζόμενα μέσω του Postgres. Παρέχει την πλατφόρμα δεδομένων για τις εφαρμογές AI που οδηγούνται από δεδομένα, μειώνοντας τη σύνθετη υποδομή, τη βελτιστοποίηση του κόστους και την ικανοποίηση των απαιτήσεων επιχείρησης για κυριαρχία δεδομένων, απόδοση και ασφάλεια.

Μια εύκολη πλατφόρμα δεδομένων για τους σύγχρονους χειριστές, τους développers, τους μηχανικούς δεδομένων και τους κατασκευαστές εφαρμογών AI που απαιτούν μια battle-proven λύση για τις κρίσιμες για την αποστολή workloads, επιτρέποντας την πρόσβαση σε αναλυτικές και AI ικανότητες ενώ χρησιμοποιούν το σύστημα βάσης δεδομένων λειτουργίας της επιχείρησης.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν EDB.