Μοντέλα και πλατφόρμες AI
Η pgEdge προσθέτει το Jev για την ιεράρχηση ειδοποιήσεων PostgreSQL στο AI DBA Workbench
Η pgEdge προσθέτει το μοντέλο Jev της TypeSafe AI στην έκδοση beta του Workbench για την ταξινόμηση ειδοποιήσεων PostgreSQL. Τα αποτελέσματα του προμηθευτή δείχνουν βελτιώσεις στην ταχύτητα και το κόστος, όχι επαληθευμένη ακρίβεια.
Βασικά σημείαΤο pgEdge διαχωρίζει τη φθηνή διαλογή ειδοποιήσεων βάσει πιθανοτήτων από τις…
Δείτε περισσότερα
- Το pgEdge διαχωρίζει τη φθηνή διαλογή ειδοποιήσεων βάσει πιθανοτήτων από τις προαιρετικές εξηγήσεις κατ' απαίτηση για να μειώσει τον θόρυβο παρακολούθησης.
- Το Jev ταξινόμησε ανωμαλίες σε περίπου 200 χιλιοστά του δευτερολέπτου έναντι περίπου τριών δευτερολέπτων για το Claude Haiku 4.5.
- Το σημείο αναφοράς μέτρησε τη συμφωνία με προηγούμενες αποφάσεις μοντέλων και όχι αν οι ειδοποιήσεις ήταν πράγματι σωστές.
Η pgEdge ανακοίνωσε στις 19 Νοεμβρίου ότι το AI DBA Workbench, το εργαλείο της ανοιχτού κώδικα, μπορεί να χρησιμοποιεί το Jev της TypeSafe AI για να αποφασίζει ποιες ανωμαλίες στην παρακολούθηση του PostgreSQL δικαιολογούν ειδοποίηση. Αντί να ζητά από ένα μεγάλο γλωσσικό μοντέλο να συντάξει ανάλυση για κάθε υποψήφια ανωμαλία, το λογισμικό μπορεί να ζητήσει από ένα μοντέλο λήψης αποφάσεων να υπολογίσει μια πιθανότητα και, στη συνέχεια, να δημιουργήσει ξεχωριστά μια εξήγηση, εφόσον το ζητήσει ο διαχειριστής. Η υποστήριξη είναι προαιρετική και περιλαμβάνεται στη δημόσια διαθέσιμη έκδοση beta 2.0 του Workbench.
Η αλλαγή αντιμετωπίζει ένα επαναλαμβανόμενο πρόβλημα για τις ομάδες βάσεων δεδομένων: μια μετρική μπορεί να αποκλίνει από το συνηθισμένο εύρος της χωρίς αυτό να σημαίνει ότι υπάρχει συμβάν. Αν κάθε απόκλιση αντιμετωπίζεται ως επείγουσα, δημιουργείται θόρυβος· αν όμως απορρίπτονται υπερβολικά πολλές, οι χειριστές μπορεί να μην αντιληφθούν πραγματικά προβλήματα. Η προσέγγιση της pgEdge διαχωρίζει την τακτική, περιορισμένη διαδικασία ταξινόμησης των σημάτων από τη λιγότερο συχνή εργασία της εξήγησης του τι θα πρέπει να διερευνήσουν οι χειριστές.
Τι κάνει το Jev στο Workbench
Το Workbench χρησιμοποιεί πολλαπλά στάδια για τον εντοπισμό και την αξιολόγηση ανωμαλιών. Τα αρχικά στάδια εξετάζουν τα δεδομένα παρακολούθησης και εντοπίζουν αποκλίσεις από τη συνήθη συμπεριφορά. Μόνο οι υποψήφιες ανωμαλίες που φτάνουν στο τελικό στάδιο ταξινόμησης προωθούνται στο προαιρετικό μοντέλο λήψης αποφάσεων. Το Jev επιστρέφει μια πιθανότητα ότι η υποψήφια ανωμαλία υποδηλώνει πραγματικό πρόβλημα, αντί να συντάσσει γραπτή ανάλυση. Το λογισμικό χρησιμοποιεί ένα όριο που μπορεί να ρυθμιστεί, ώστε να αποφασίζει αν θα εμφανίσει ή θα απορρίψει την ειδοποίηση.
Αν ένα μοντέλο λήψης αποφάσεων δεν μπορεί να επιστρέψει αξιοποιήσιμο αποτέλεσμα, το Workbench χρησιμοποιεί ως εναλλακτική ένα ρυθμισμένο μοντέλο συλλογισμού. Αν δεν έχει ρυθμιστεί μοντέλο συλλογισμού ή αποτύχει και η εναλλακτική λύση, το σύστημα εκδίδει την ειδοποίηση αντί να την απορρίψει σιωπηρά. Αυτή η συμπεριφορά μειώνει τον κίνδυνο να εκληφθεί μια διακοπή λειτουργίας του παρόχου ως ένδειξη ότι η βάση δεδομένων λειτουργεί κανονικά. Ωστόσο, δεν εξαλείφει την πιθανότητα λανθασμένης ταξινόμησης από ένα μοντέλο όταν ο πάροχος είναι διαθέσιμος.
Το Workbench μπορεί επίσης, κατόπιν αιτήματος, να ζητήσει από ένα ξεχωριστό μοντέλο συλλογισμού να εξηγήσει μια επισημασμένη ανωμαλία. Η εξήγηση που προκύπτει δημιουργείται με βάση τα αποθηκευμένα δεδομένα παρακολούθησης. Δεν αποτελεί καταγραφή του τρόπου με τον οποίο το Jev κατέληξε στη βαθμολογία του ούτε ανεξάρτητη επιβεβαίωση της αιτίας. Οι διαχειριστές βάσεων δεδομένων εξακολουθούν να αποφασίζουν πώς θα διερευνήσουν το ζήτημα και τι θα αλλάξουν.
Τι δείχνει η συγκριτική δοκιμή
Στη δοκιμή του Οκτωβρίου της pgEdge, ο Jev χρειάστηκε διάμεσο χρόνο περίπου 200 χιλιοστά του δευτερολέπτου για κάθε ταξινόμηση, έναντι περίπου τριών δευτερολέπτων για το Claude Haiku 4.5. Με βάση τις τιμές του Οκτωβρίου 2026, η pgEdge εκτίμησε ότι 1.000 ταξινομήσεις κοστίζουν περίπου τέσσερα σεντς για τον Jev και 1,93 δολάρια για το Haiku. Αυτό αντιστοιχεί σε περίπου 15 φορές μικρότερο διάμεσο χρόνο απόκρισης ταξινόμησης και σε περίπου 48 φορές χαμηλότερο εκτιμώμενο κόστος μοντέλου. Καμία από τις δύο συγκρίσεις δεν μετρά τον συνολικό χρόνο ή το κόστος παρακολούθησης μιας βάσης δεδομένων, στα οποία περιλαμβάνονται επίσης η συλλογή δεδομένων, τα προηγούμενα στάδια εντοπισμού και τυχόν επεξηγήσεις που ακολουθούν.
Στη δοκιμή χρησιμοποιήθηκαν 150 ανωμαλίες, επιλεγμένες από δεδομένα παρακολούθησης 30 ημερών και χωρισμένες εξίσου σε όσες είχαν προηγουμένως επισημανθεί και όσες είχαν προηγουμένως απορριφθεί. Το Jev συμφώνησε με το 89% των αποθηκευμένων αποφάσεων, ενώ μια νέα εκτέλεση του Haiku συμφώνησε με το 91%. Τα δύο μοντέλα συμφώνησαν μεταξύ τους για το 88% των υποψήφιων ανωμαλιών. Στο συγκεκριμένο δείγμα, το Jev δεν απέρριψε καμία υποψήφια ανωμαλία που είχε αποθηκευτεί ως ειδοποίηση· στις περιπτώσεις που διαφώνησε με τις αποθηκευμένες αποφάσεις, εξέδωσε ειδοποιήσεις για ανωμαλίες που προηγουμένως είχαν απορριφθεί.
Στη δοκιμή δεν υπήρχαν επισημάνσεις από ανθρώπους, επομένως τα αποτελέσματα δείχνουν συμφωνία με προηγούμενες αποφάσεις μοντέλων και όχι αν τα μοντέλα είχαν δίκιο. Το ισορροπημένο δείγμα δεν αποδεικνύει επίσης πόσο συχνά θα έβλεπε ένας χειριστής ψευδή συναγερμό σε περιβάλλον παραγωγής. Οι πρόσθετες ειδοποιήσεις που εξέδωσε το Jev μπορεί να είναι χρήσιμα σήματα ή πρόσθετος θόρυβος. Για να απαντηθεί αυτό το ερώτημα, χρειάζονται στοιχεία για την έκβαση των συμβάντων και ανθρώπινη αξιολόγηση.
Γιατί έχει σημασία ο διαχωρισμός της ταξινόμησης από τη διάγνωση
Οι ομάδες που παρακολουθούν πολλές περιπτώσεις PostgreSQL έχουν λόγο να αξιολογήσουν αυτόν τον σχεδιασμό, ακόμη κι αν η ακριβής εξοικονόμηση διαφέρει. Μια βαθμολογία πιθανότητας αρκεί για να δρομολογηθούν ορισμένα σήματα στην ουρά ειδοποιήσεων της ομάδας επιφυλακής, ενώ μια ακριβότερη επεξήγηση είναι πιο χρήσιμη όταν κάποιος πρέπει να λάβει μια απόφαση. Η μέτρηση του πόσες ειδοποιήσεις οδηγούν σε ενέργειες, πόσα πραγματικά περιστατικά δεν εντοπίζονται και πόσο συχνά οι χειριστές ζητούν επεξηγήσεις θα έδινε στις ομάδες καλύτερη βάση για να αξιολογήσουν τον συμβιβασμό από ό,τι η ταχύτητα ταξινόμησης από μόνη της.
Η έκδοση beta 2.0 του Workbench υποστηρίζει επίσης μια επιλογή μοντέλου λήψης αποφάσεων της OpenAI, ενώ η pgEdge αναφέρει ότι το εργαλείο λειτουργεί με την τυπική έκδοση PostgreSQL 15 και νεότερες. Το ευρύτερο κριτήριο αξιολόγησης των μοντέλων λήψης αποφάσεων είναι αν μπορούν να διατηρούν τον όγκο των ειδοποιήσεων σε διαχειρίσιμα επίπεδα χωρίς να αποκρύπτουν τα συμβάντα που πρέπει να βλέπουν οι χειριστές. Η χαμηλότερη καθυστέρηση και το μικρότερο κόστος μοντέλου είναι χρήσιμα, αλλά ούτε το ένα ούτε το άλλο δείχνει σε μια ομάδα βάσεων δεδομένων αν μπορεί να εμπιστευτεί την επόμενη ειδοποίηση.












