Jeremy Kelway, Vice-Président de l’Ingénierie pour l’Analyse, les Données et l’IA chez EDB – Série d’Entretiens

Jeremy (Jezz) Kelway est Vice-Président de l’Ingénierie chez EDB, basé dans le Nord-Ouest du Pacifique, États-Unis. Il dirige une équipe axée sur la fourniture de solutions d’analyse et d’IA basées sur Postgres. Avec une expérience dans la gestion de Database-as-a-Service (DBaaS), le leadership opérationnel et la livraison de technologies innovantes, Jezz a une solide expérience dans la conduite de progrès dans les technologies émergentes.

EDB prend en charge PostgreSQL pour s’aligner sur les priorités commerciales, permettant le développement d’applications cloud-native, la migration rentable à partir de bases de données legacy et le déploiement flexible dans des environnements hybrides. Avec un bassin de talents en constante augmentation et des performances robustes, EDB assure la sécurité, la fiabilité et des expériences client supérieures pour les applications critiques.

Pourquoi Postgres devient-il de plus en plus la base de données de choix pour la construction d’applications d’IA générative, et quels sont les principaux éléments qui le rendent adapté à cet écosystème en évolution ?

Avec près de 75% des entreprises américaines adoptant l’IA, ces entreprises ont besoin d’une technologie fondamentale qui leur permettra d’accéder rapidement et facilement à leurs données abondantes et de pleinement adopter l’IA. C’est là que Postgres intervient.

Postgres est peut-être l’exemple technique parfait d’une technologie durable qui a regagné en popularité avec une pertinence plus grande que jamais auparavant dans l’ère de l’IA. Avec une architecture robuste, un support natif pour de multiples types de données et une extensibilité par conception, Postgres est un candidat idéal pour les entreprises qui cherchent à exploiter la valeur de leurs données pour des applications d’IA prêtes à la production dans un environnement souverain et sécurisé.

Au cours des 20 ans que EDB a existé, ou des 30+ que Postgres en tant que technologie a existé, l’industrie a traversé des évolutions, des changements et des innovations, et tout au long de ce processus, les utilisateurs continuent de « simplement utiliser Postgres » pour relever leurs défis de données les plus complexes.

Comment la Génération Augmentée par Récupération (RAG) est-elle appliquée aujourd’hui, et comment voyez-vous son impact sur l’avenir de l’« Économie Intelligente » ?

Les flux RAG gagnent en popularité et en élan, et pour bonne raison ! Lorsqu’ils sont placés dans le contexte de l’« Économie Intelligente », les flux RAG permettent d’accéder à l’information de manière à faciliter l’expérience humaine, en économisant du temps en automatisant et en filtrant les données et les informations qui nécessiteraient autrement des efforts et du temps importants pour être créées. L’exactitude accrue de l’étape de « recherche » (Récupération) combinée à la possibilité d’ajouter du contenu spécifique à un LLM plus largement formé offre une multitude d’opportunités pour accélérer et améliorer la prise de décision éclairée avec des données pertinentes. Une façon utile de penser à cela est comme si vous aviez un assistant de recherche compétent qui non seulement trouve les bonnes informations, mais les présente également de manière à s’adapter au contexte.

Quels sont les principaux défis que les organisations rencontrent lors de la mise en œuvre de RAG en production, et quelles stratégies peuvent aider à relever ces défis ?

À un niveau fondamental, la qualité de vos données est votre différentiateur d’IA. L’exactitude de, et en particulier des réponses générées par, une application RAG sera toujours soumise à la qualité des données utilisées pour la formation et l’augmentation de la sortie. Le niveau de sophistication appliqué par le modèle génératif sera moins bénéfique si/lorque les entrées sont erronées, conduisant à des résultats moins appropriés et inattendus pour la requête (souvent appelés « hallucinations »). La qualité de vos sources de données sera toujours la clé du succès du contenu récupéré qui alimente les étapes génératives – si la sortie est souhaitée pour être aussi précise que possible, les sources de données contextuelles pour le LLM devront être aussi à jour que possible.

D’un point de vue des performances ; adopter une posture proactive sur ce que votre application RAG tente d’accomplir – ainsi que sur quand et où les données sont récupérées – vous positionnera bien pour comprendre les impacts potentiels. Par exemple, si votre flux RAG récupère des données à partir de sources de données transactionnelles (c’est-à-dire des bases de données constamment mises à jour qui sont critiques pour votre entreprise), la surveillance des performances de ces sources de données clés, ainsi que des applications qui tirent des données de ces sources, vous fournira une compréhension de l’impact potentiel de vos étapes de flux RAG. Ces mesures constituent une excellente étape pour gérer tout impact potentiel ou réel sur les performances des sources de données transactionnelles critiques. En outre, ces informations peuvent également fournir un contexte précieux pour régler l’application RAG pour se concentrer sur la récupération de données appropriée.

Compte tenu de l’essor des bases de données vectorielles spécialisées pour l’IA, quels avantages Postgres offre-t-il par rapport à ces solutions, en particulier pour les entreprises qui cherchent à opérationnaliser les charges de travail d’IA ?

Une base de données vectorielle de mission critique a la capacité de prendre en charge des charges de travail d’IA exigeantes tout en assurant la sécurité, la disponibilité et la flexibilité pour intégrer les sources de données existantes et les informations structurées. La construction d’une solution d’IA/RAG impliquera souvent une base de données vectorielle, car ces applications impliquent des évaluations de similarité et des recommandations qui fonctionnent avec des données à haute dimension. Les bases de données vectorielles servent de source de données efficace et efficace pour le stockage, la gestion et la récupération de ces pipelines de données critiques.

Comment EDB Postgres gère-t-il les complexités de la gestion des données vectorielles pour l’IA, et quels sont les principaux avantages de l’intégration des charges de travail d’IA dans un environnement Postgres ?

Alors que Postgres n’a pas de capacité vectorielle native, pgvector est une extension qui vous permet de stocker vos données vectorielles aux côtés du reste de vos données dans Postgres. Cela permet aux entreprises de tirer parti des capacités vectorielles aux côtés des structures de base de données existantes, simplifiant ainsi la gestion et le déploiement des applications d’IA en réduisant le besoin de magasins de données distincts et de transferts de données complexes.

Comment Postgres aide-t-il les organisations à rationaliser leurs pipelines de données et à débloquer des insights plus rapides sans ajouter de complexité ?

Ces pipelines de données alimentent essentiellement les applications d’IA. Avec la multitude de formats de stockage de données, d’emplacements et de types de données, les complexités de la façon dont la phase de récupération est réalisée deviennent rapidement un défi tangible, en particulier à mesure que les applications d’IA passent de la preuve de concept à la production.

L’extension EDB Postgres AI Pipelines est un exemple de la façon dont Postgres joue un rôle clé dans l’histoire de l’« application d’IA ». En simplifiant le traitement des données avec des pipelines automatisés pour récupérer des données à partir de Postgres ou du stockage d’objets, en générant des embeddings vectoriels pour les nouvelles données ingérées et en déclenchant des mises à jour des embeddings lorsque les données sources changent – ce qui signifie toujours des données à jour pour la requête et la récupération sans maintenance fastidieuse.

Quelles innovations ou développements pouvons-nous attendre de Postgres dans un avenir proche, en particulier à mesure que l’IA continue d’évoluer et de demander davantage à l’infrastructure de données ?

La base de données vectorielle n’est pas un article terminé, des développements et des améliorations supplémentaires sont attendus à mesure que l’utilisation et la dépendance à l’égard de la technologie de base de données vectorielle continuent de croître. La communauté PostgreSQL continue d’innover dans cet espace, cherchant des méthodes pour améliorer l’indexation afin de permettre des critères de recherche plus complexes aux côtés de la progression de la fonctionnalité pgvector elle-même.

Comment Postgres, en particulier avec les offres d’EDB, soutient-il le besoin de déploiements multi-cloud et hybrides, et pourquoi cette flexibilité est-elle importante pour les entreprises axées sur l’IA ?

Une étude récente d’EDB montre que 56% des entreprises déployant des charges de travail critiques dans un modèle hybride, mettant en évidence le besoin de solutions qui prennent en charge à la fois l’agilité et la souveraineté des données. Postgres, avec les améliorations d’EDB, fournit la flexibilité essentielle pour les environnements multi-cloud et hybrides, permettant ainsi aux entreprises axées sur l’IA de gérer leurs données avec à la fois flexibilité et contrôle.

EDB Postgres AI apporte l’agilité du cloud et l’observabilité aux environnements hybrides avec un contrôle souverain. Cette approche permet aux entreprises de contrôler la gestion des modèles d’IA, tout en rationalisant les charges de travail transactionnelles, analytiques et d’IA à travers les environnements hybrides ou multi-cloud. En permettant la portabilité des données, un contrôle granulaire du TCO et une expérience similaire au cloud sur une variété d’infrastructures, EDB soutient les entreprises axées sur l’IA dans la réalisation de réponses plus rapides et plus agiles aux demandes de données complexes.

À mesure que l’IA s’intègre davantage dans les systèmes d’entreprise, comment Postgres prend-il en charge la gouvernance des données, la confidentialité et la sécurité, en particulier dans le contexte de la gestion de données sensibles pour les modèles d’IA ?

À mesure que l’IA devient à la fois un élément opérationnel essentiel et un différentiateur concurrentiel, les entreprises sont confrontées à une pression croissante pour protéger l’intégrité des données et respecter des normes de conformité rigoureuses. Ce paysage en évolution place la souveraineté des données au premier plan – où une gouvernance stricte, la sécurité et la visibilité ne sont pas seulement des priorités mais des prérequis. Les entreprises doivent savoir et être certaines de l’endroit où se trouvent leurs données et où elles vont.

Postgres excelle en tant que colonne vertébrale pour les environnements de données prêts à l’IA, offrant des capacités avancées pour gérer les données sensibles dans les paramètres hybrides et multi-cloud. Son fondement open source signifie que les entreprises bénéficient d’une innovation constante, tandis que les améliorations d’EDB assurent l’adhésion à la sécurité de niveau entreprise, des contrôles d’accès granulaires et une observabilité approfondie – clés pour gérer les données d’IA de manière responsable. Les capacités d’IA souveraine d’EDB s’appuient sur cette posture, en se concentrant sur l’apport de la capacité d’IA aux données, facilitant ainsi le contrôle de l’endroit où ces données se déplacent et d’où elles proviennent.

Qu’est-ce qui rend EDB Postgres unique pour mettre à l’échelle les charges de travail d’IA tout en maintenant une haute disponibilité et des performances, en particulier pour les applications critiques ?

EDB Postgres AI aide à élever l’infrastructure de données au statut d’actif technologique stratégique en rapprochant les systèmes analytiques et d’IA des données opérationnelles et transactionnelles des clients – le tout géré via Postgres. Il fournit la base de plate-forme de données pour les applications d’IA en réduisant la complexité de l’infrastructure, en optimisant l’efficacité coût-efficacité et en répondant aux exigences de l’entreprise en matière de souveraineté des données, de performances et de sécurité.

Une plate-forme de données élégante pour les opérateurs modernes, les développeurs, les ingénieurs de données et les concepteurs d’applications d’IA qui nécessitent une solution éprouvée pour leurs charges de travail critiques, permettant l’accès aux capacités d’analyse et d’IA tout en utilisant le système de base de données opérationnel de l’entreprise.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter EDB.