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

Jeremy (Jezz) Kelway on EnterpriseDB:n (EDB) Vice President of Engineering, joka sijaitsee Tyynenmeren luoteisrannikolla, Yhdysvalloissa. Hän johtaa tiimiä, joka keskittyy Postgres-pohjaisen analytiikan ja tekoälyratkaisujen toimittamiseen. Kokemuksella Database-as-a-Service (DBaaS) -hallinnosta, operatiivisesta johdosta ja innovatiivisesta teknologian toimittamisesta, Jezz:llä on vahva tausta ajamassa eteenpäin nousseiden teknologioiden kehittymistä.

EDB tukee PostgreSQL:ää liiketoimintaprioriteettien mukaisesti, mahdollistaen pilvipohjaisen sovelluskehityksen, kustannustehokkaan siirtymisen perinteisistä tietokannoista ja joustavan käyttöönoton hybridiympäristöissä. Kasvavan kykyjen ja vahvan suorituskyvyn ansiosta EDB varmistaa turvallisuuden, luotettavuuden ja erinomaiset asiakaskokemukset kriittisille sovelluksille.

Miksi Postgres on yhä enenevissä määrin tietokanta, jota käytetään generatiivisten tekoälysovellusten rakentamiseen, ja mitkä avainominaisuudet tekevät siitä sopivan tämän kehittyvän maiseman kannalta?

Lähes 75%:lla Yhdysvaltain yrityksistä on otettu käyttöön tekoäly, ja näiden yritysten on löydettävä perusteknologia, joka mahdollistaa nopean ja helpon pääsyn runsaaseen tietomäärään ja täydellisen tekoälyn omaksumisen. Tässä kohtaa Postgres tulee kuvaan.

Postgres on ehkä täydellisin tekninen esimerkki kestävästä teknologiasta, joka on saavuttanut suuremman suosion ja merkityksen tekoälyaikakaudella kuin koskaan aiemmin. Vahvan arkkitehtuurin, monien tietotyyppien alkuperäisen tuen ja laajennettavuuden ansiosta Postgres on täydellinen ehdokas yrityksille, jotka haluavat hyödyntää tietonsa arvoa tuotantovalmiille tekoälysovelluksille suvereenissa ja turvallisessa ympäristössä.

EDB:n 20-vuotisen olemassaolon aikana tai Postgresin teknologian 30+ -vuotisen kehityksen aikana teollisuus on kokenut evoluution, muutoksen ja innovaation, ja koko ajan käyttäjät ovat “vain käyttäneet Postgresia” ratkaisemaan monimutkaisimmat tietohaussaamiset.

Miten Retrieval-Augmented Generation (RAG) sovelletaan tänään, ja miten se vaikuttaa “Älymäisen talouden” tulevaisuuteen?

RAG-virtaukset ovat saavuttamassa merkittävää suosiota ja vauhtia, ja siihen on hyvä syy! RAG-virtausten yhteydessä ne mahdollistavat tiedon käytön tavalla, joka helpottaa ihmisen kokemusta, säästää aikaa automatisoimalla ja suodattamalla tietoa ja tietoa, mikä muuten vaatisi merkittävää manuaalista työtä ja aikaa. “Hakuvaiheen” (Retrieval) lisääntyneen tarkkuuden yhdistäminen mahdollisuuteen lisätä tiettyä sisältöä laajemmin koulutettuun LLM:ään tarjoaa runsaasti mahdollisuuksia nopeuttaa ja parantaa perusteltua päätöksentekoa relevantin tiedon avulla. Hyvä tapa ajatella tätä on, että sinulla on taitava tutkimusavustaja, joka ei ainoastaan löydä oikean tietoa, vaan esittää sen myös asiayhteyden mukaisesti.

Mitkä ovat joitain merkittävimpiä haasteita, joita organisaatiot kohtaavat RAG:n käyttöönotossa tuotannossa, ja mitkä strategiat voivat auttaa näiden haasteiden ratkaisemisessa?

Perustasolla tietojen laatu on tekoälyerottelu. RAG-sovelluksen luotettavuus ja erityisesti sen generoimien vastausten tarkkuus riippuvat aina tietojen laadusta, jota käytetään koulutukseen ja täydentämiseen. Generatiivisen mallin soveltamisen taso on vähemmän hyödyllinen, jos syötteet ovat virheellisiä, mikä johtaa vähemmän soveltuvista ja odottamattomista tuloksista kysymyksiin (usein kutsutaan “hallusinaatioiksi”). Tiedonlähteiden laatu on aina avain menestyksekkään hakuvaiheen onnistumiselle, joka syöttää generatiivisia vaiheita – jos tulokset halutaan olevan mahdollisimman tarkat, kontekstuaalisten tietolähteiden on oltava mahdollisimman ajantasaisia.

Suorituskyvyn kannalta ottaen proaktiivinen asennoituminen siitä, mitä RAG-sovellus pyrkii saavuttamaan – sekä siitä, milloin ja missä tiedot haetaan – asettaa sinut hyvään asemaan ymmärtämään mahdollisia vaikutuksia. Esimerkiksi, jos RAG-virtauksesi hakee tietoa transaktioiden tietolähteistä (esim. jatkuvasti päivitettävistä tietokannoista, jotka ovat kriittisiä liiketoiminnalle), transaktioiden tietolähteiden suorituskyvyn seuranta yhdessä sovellusten kanssa, jotka hakevat tietoa näistä lähteistä, antaa ymmärryksen mahdollisista vaikutuksista kriittisten transaktioiden tietolähteiden suorituskykyyn. Nämä toimenpiteet ovat erinomainen askel hallitsemaan mahdollisia tai reaaliaikaisia vaikutuksia RAG-virtausten suorituskykyyn.

Mikä etu Postgres tarjoaa erityisesti erikoistuneiden vektorigrafiikka-tietokantojen sijaan, erityisesti yrityksille, jotka haluavat ottaa käyttöön tekoälykuormituksia?

Kriittinen vektorigrafiikka-tietokanta pystyy tukemaan vaativia tekoälykuormituksia varmistamalla tietoturvan, saatavuuden ja joustavan integraation olemassa oleviin tietolähteisiin ja rakenteelliseen tietoon. Rakentamalla AI/RAG-ratkaisun usein käytetään vektorigrafiikka-tietokantaa, koska nämä sovellukset käyttävät samankaltaisuuden arviointeja ja suosituksia, jotka toimivat korkeaulotteisilla tiedoilla. Vektorigrafiikka-tietokanta toimii tehokkaana ja tehokkaana tietolähteenä tallentamiseen, hallintaan ja hakemiseen näille kriittisille tietoputkille.

Miten EDB Postgres hallitsee vektortietojen monimutkaisuutta tekoälysovelluksissa, ja mitkä ovat avainhyödyt tekoälykuormitusten integroimisesta Postgres-ympäristöön?

Vaikka Postgresilla ei ole alkuperäistä vektorigrafiikka-ominaisuutta, pgvector-laajennus mahdollistaa vektortietojen tallentamisen Postgresiin muiden tietojen kanssa. Tämä mahdollistaa yrityksille hyödyntää vektorigrafiikka-ominaisuuksia olemassa olevien tietorakenteiden rinnalla, yksinkertaistaen tekoälysovellusten hallintaa ja käyttöönottoa vähentämällä erillisten tietovarastojen ja monimutkaisten tietosiirtojen tarvetta.

Miten Postgres auttaa organisaatioita sujuvoittamaan tietoputkiaan ja lukitsemaan nopeammin oivalluksia ilman monimutkaisuuden lisäämistä, erityisesti siirryttäessä transaktiivisista ja analyyttisista kuormituksista?

Nämä tietoputkit ovat tehokkaasti polttomoottoreita tekoälysovelluksille. Moninaisten tietovarastojen, sijaintien ja tietotyyppien kanssa tietojen hakuvaiheen saavuttamisen monimutkaisuus muuttuu nopeasti todelliseksi haasteeksi, erityisesti kun tekoälysovellukset siirtyvät konseptista tuotantoon.

EDB Postgres AI Pipelines -laajennus on esimerkki siitä, miten Postgres on mukana muokkaamassa “tietohallinnan” osaa tekoälysovelluksen tarinassa. Se yksinkertaistaa tietojen käsittelyä automaattisilla putkilla, jotka hakevat tietoa Postgresista tai objektitallennuksesta, generoivat vektorigrafiikka-upotukset uusille tiedoille ja laukaisevat päivityksiä upotuksiin, kun lähdetietoja muutetaan – tarkoittaen aina ajantasaisia tietoja kyselyille ja hakuluettelolle ilman vaivaa ylläpitoon.

Mitkä innovaatiot tai kehityssuunnitelmat voidaan odottaa Postgresilta lähitulevaisuudessa, erityisesti kun tekoäly jatkaa kehittymistään ja vaatii enemmän tietoinfrastruktuurilta?

Vektorigrafiikka-tietokanta ei ole vielä valmis, ja sen kehitys ja parantaminen jatkuu, kun sen käyttö ja riippuvuus vektorigrafiikka-tietokantateknologiasta jatkuu. PostgreSQL-yhteisö jatkaa innovointia tässä tilassa etsimällä keinoja parantaa indeksointia monimutkaisempien hakukriteerien sallimiseksi yhdessä pgvector-ominaisuuden kehityksen kanssa.

Miten Postgres, erityisesti EDB:n tarjoamana, tukee monipilvi- ja hybridipilvi-käyttöönottojen tarvetta, ja miksi tämä joustavuus on tärkeää tekoälyyn perustuville yrityksille?

Äskettäinen EDB-tutkimus osoittaa, että 56%:lla yrityksistä otetaan käyttöön kriittiset kuormitukset hybridimallissa, korostaen joustavan ratkaisun tarvetta. Postgres, EDB:n parannusten kanssa, tarjoaa välttämättömän joustavuuden monipilvi- ja hybridipilviympäristöissä, antaen tekoälyyn perustuville yrityksille mahdollisuuden hallita tietoja sekä joustavuudella että hallinnalla.

EDB Postgres AI tuo pilvipohjaisen joustavuuden ja havainnollistamisen hybridiympäristöihin suvereenin hallinnan kanssa. Tämä lähestymistapa mahdollistaa yrityksille AI-mallien hallinnan, samalla sujuvoittaen transaktiivisia, analyyttisiä ja tekoälykuormituksia hybridipilvi- tai monipilviympäristössä. Sallimalla tietoliikenteen, hienorakeisen TCO-hallinnan ja pilvimaisen kokemuksen erilaisilla infrastruktuureilla, EDB tukee tekoälyyn perustuvia yrityksiä nopeamman ja joustavamman vastauksen saavuttamisessa monimutkaisiin tietovaatimuksiin.

Kun tekoäly muuttuu yritysten järjestelmissä yhä enemmän, miten Postgres tukee tietohallintaa, yksityisyyttä ja turvallisuutta, erityisesti herkkien tietojen käsittelyssä tekoälymallien kanssa?

Kun tekoäly muuttuu sekä operatiiviseksi kulmakiveksi että kilpailukyvyn erotteluksi, yritykset kohtaavat kasvavan paineen tietojen eheyyden suojaamiseksi ja tiukkojen vaatimustenmukaisuusstandardien noudattamiseksi. Tämä kehittyvä maisema asettaa tietosuvereniteetin etusijalle – missä tiukka hallinta, turvallisuus ja näkyvyys eivät ole ainoastaan prioriteetteja vaan edellytyksiä. Yritysten on tiedettävä ja varmistettava, missä heidän tietonsa on ja minne se menee.

Postgres erottuu AI-valmiiden tietoympäristöjen tukirankana, tarjoamalla edistyneitä ominaisuuksia herkkien tietojen hallintaan hybrid- ja monipilviasetelmissa. Sen avoimen lähdekoodin perusta tarkoittaa, että yritykset hyötyvät jatkuvasta innovaatiosta, kun taas EDB:n parannukset varmistavat noudattamisen yritysten turvallisuusvaatimuksia, hienorakeisia pääsykontrolleja ja syvää havainnollistamista – avainasioita tekoälytietojen vastuullisessa käsittelyssä. EDB:n Sovereign AI -ominaisuudet rakentuvat tähän asentoon keskittymällä tekoälykyvyn tuomiseen tietoihin, mikä helpottaa hallintaa siitä, minne se tieto menee ja mistä se tulee.

Mikä tekee EDB Postgresista ainutlaatuisen kykyjä tekoälykuormitusten skaalauttamiseen ylläpitäen suorituskykyä ja saatavuutta, erityisesti kriittisille sovelluksille?

EDB Postgres AI korottaa data-infrastruktuurin strategiseksi teknologiaresursiksi tuomalla analytiikka- ja tekoälyjärjestelmiä lähemmäs asiakkaiden operatiivisia ja transaktiivisia tietoja – kaikki hallinnoidaan Postgresin kautta. Se tarjoaa tietopohjaisen perustan tekoälysovelluksille vähentämällä infrastruktuurin monimutkaisuutta, optimoimalla kustannustehokkuutta ja täyttämällä yritysten vaatimukset tietosuvereniteetista, suorituskyvystä ja turvallisuudesta.

Tyylikäs tietopohja modernille operoijille, kehittäjille, data-insinööreille ja tekoälysovelluksen kehittäjille, jotka tarvitsevat kokeiltua ratkaisua kriittisille kuormituksilleen, antaen pääsyn analytiikka- ja tekoälyominaisuuksiin käyttäen yrityksen perusoperatiivista tietojärjestelmää.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla EDB:ssa.