एआई मॉडल और प्लेटफ़ॉर्म
pgEdge ने AI DBA Workbench में PostgreSQL अलर्ट की छँटाई के लिए Jev को जोड़ा
pgEdge ने PostgreSQL अलर्ट की छँटाई के लिए अपने Workbench बीटा में TypeSafe AI का मॉडल Jev जोड़ा है। आपूर्तिकर्ता के नतीजे गति और लागत में सुधार दिखाते हैं, सत्यापित सटीकता नहीं।
मुख्य बिंदुpgEdge व्यवस्थापकों के लिए सस्ते संभाव्यता-आधारित अलर्ट ट्रायाज को अधिक महँगे ऑन-डिमांड…
और देखें
- pgEdge व्यवस्थापकों के लिए सस्ते संभाव्यता-आधारित अलर्ट ट्रायाज को अधिक महँगे ऑन-डिमांड स्पष्टीकरणों से अलग करता है।
- Jev ने संग्रहीत अलर्ट निर्णयों का 89% मिलान किया, जबकि Claude Haiku की तुलना में बहुत तेज़ और सस्ते ढंग से चला।
- बेंचमार्क ने इस बात को मापा कि अलर्ट वास्तव में सही थे या नहीं, बल्कि पूर्व मॉडल निर्णयों के साथ सहमति को मापा।
pgEdge ने 19 नवंबर को कहा कि उसका ओपन-सोर्स AI DBA Workbench यह तय करने के लिए TypeSafe AI के Jev का उपयोग कर सकता है कि PostgreSQL की निगरानी के दौरान सामने आई किन असामान्यताओं पर अलर्ट जारी किया जाना चाहिए। हर संभावित मामले पर बड़े भाषा मॉडल से लिखित विश्लेषण तैयार कराने के बजाय, यह सॉफ़्टवेयर निर्णय मॉडल से संभावना पूछ सकता है और फिर, यदि कोई प्रशासक अनुरोध करे, तो अलग से स्पष्टीकरण तैयार कर सकता है। यह सुविधा वैकल्पिक है और सार्वजनिक रूप से उपलब्ध Workbench 2.0 बीटा में शामिल है।
यह बदलाव डेटाबेस टीमों की एक बार-बार सामने आने वाली समस्या का समाधान करता है: कोई मेट्रिक अपनी सामान्य सीमा से बाहर जा सकती है, लेकिन इससे किसी घटना का संकेत मिलना ज़रूरी नहीं है। हर विचलन को अत्यावश्यक मानने से अनावश्यक अलर्ट बढ़ते हैं, जबकि बहुत-सी असामान्यताओं को नज़रअंदाज़ करने से संचालक वास्तविक समस्याओं से अनजान रह सकते हैं। pgEdge का तरीका संकेतों की छँटाई के अक्सर किए जाने वाले, सीमित काम को इस बात की व्याख्या करने के कम बार किए जाने वाले काम से अलग रखता है कि संचालकों को किन बातों की जाँच करनी चाहिए।
Workbench में Jev क्या करता है
Workbench असामान्यताओं का पता लगाने और उनका आकलन करने के लिए कई चरणों का उपयोग करता है। शुरुआती चरण निगरानी डेटा की जाँच करते हैं और सामान्य व्यवहार से अलग स्थितियों की पहचान करते हैं। वैकल्पिक निर्णय मॉडल तक केवल वे संभावित मामले पहुँचते हैं जो अंतिम वर्गीकरण चरण तक पहुँचें। Jev लिखित विश्लेषण देने के बजाय यह संभावना बताता है कि कोई संभावित मामला वास्तविक समस्या दर्शाता है या नहीं। अलर्ट दिखाना है या दबाना, यह तय करने के लिए सॉफ़्टवेयर में सीमा को अपनी ज़रूरत के अनुसार निर्धारित किया जा सकता है।
यदि निर्णय मॉडल उपयोगी परिणाम नहीं दे पाता, तो Workbench पहले से निर्धारित तर्क मॉडल का सहारा लेता है। यदि कोई तर्क मॉडल निर्धारित नहीं है, या वैकल्पिक मॉडल भी विफल हो जाता है, तो Workbench अलर्ट को चुपचाप खारिज करने के बजाय जारी करता है। इस व्यवहार से यह जोखिम घटता है कि सेवा प्रदाता की रुकावट को डेटाबेस के स्वस्थ होने का संकेत समझ लिया जाए। हालांकि, सेवा प्रदाता उपलब्ध होने पर भी मॉडल द्वारा गलत वर्गीकरण किए जाने की संभावना बनी रहती है।
Workbench अनुरोध पर चिह्नित असामान्यता की व्याख्या करने के लिए अलग तर्क मॉडल से भी कह सकता है। यह व्याख्या सहेजे गए निगरानी डेटा के आधार पर तैयार की जाती है। यह Jev द्वारा अपना स्कोर तय करने की प्रक्रिया का प्रतिलेख नहीं है और न ही कारण की स्वतंत्र पुष्टि है। जाँच कैसे करनी है और क्या बदलाव करने हैं, इसका निर्णय डेटाबेस प्रशासक ही करते हैं।
बेंचमार्क से क्या पता चलता है
pgEdge के अक्टूबर के परीक्षण में, Jev ने प्रति वर्गीकरण माध्यिका पर लगभग 200 मिलीसेकंड लिए, जबकि Claude Haiku 4.5 ने लगभग तीन सेकंड लिए। अक्टूबर 2026 की कीमतों के आधार पर, pgEdge ने अनुमान लगाया कि 1,000 वर्गीकरणों की लागत Jev के लिए लगभग चार सेंट और Haiku के लिए $1.93 होगी। माध्यिका वर्गीकरण विलंब में यह लगभग 15 गुना और अनुमानित मॉडल लागत में लगभग 48 गुना का अंतर है। इनमें से कोई भी तुलना डेटाबेस की निगरानी में लगने वाले कुल समय या लागत को नहीं मापती, जिसमें डेटा संग्रह, शुरुआती पहचान चरण और बाद में दिए जाने वाले स्पष्टीकरण भी शामिल हैं।
इस परीक्षण में 30 दिनों की निगरानी से चुनी गई 150 असामान्यताओं का उपयोग किया गया। इनमें आधी वे थीं जिन पर पहले अलर्ट जारी किया गया था और आधी वे जिन्हें पहले दबा दिया गया था। Jev, सहेजे गए निर्णयों में से 89% से सहमत था, जबकि Haiku को नए सिरे से चलाने पर वह 91% निर्णयों से सहमत था। दोनों मॉडल 88% संभावित मामलों पर सीधे तौर पर सहमत थे। इस नमूने में Jev ने ऐसे किसी भी संभावित मामले को नहीं दबाया जिसे पहले अलर्ट के रूप में सहेजा गया था; सहेजे गए निर्णयों से असहमत होने पर उसने उन मामलों पर अलर्ट जारी किए जिन्हें पहले दबा दिया गया था।
इस परीक्षण में मानवीय लेबल नहीं थे, इसलिए परिणाम यह दिखाते हैं कि मॉडल पहले के निर्णयों से कितने सहमत थे, न कि यह कि उनके निर्णय सही थे या नहीं। संतुलित नमूने से यह भी पता नहीं चलता कि वास्तविक उपयोग में किसी संचालक को कितनी बार गलत अलर्ट दिखाई देगा। Jev द्वारा जारी किए गए अतिरिक्त अलर्ट उपयोगी संकेत हो सकते हैं या अतिरिक्त शोर। इसका उत्तर पाने के लिए घटना के नतीजों और मानवीय समीक्षा की ज़रूरत होगी।
वर्गीकरण को निदान से अलग रखना क्यों ज़रूरी है
कई PostgreSQL इंस्टेंस की निगरानी करने वाली टीमों के पास इस डिज़ाइन का मूल्यांकन करने का कारण है, भले ही वास्तविक बचत अलग-अलग हो। कुछ संकेतों को ड्यूटी पर मौजूद टीम की कतार तक पहुँचाने के लिए संभावना स्कोर ही पर्याप्त है, जबकि अधिक महँगा स्पष्टीकरण तब सबसे उपयोगी होता है जब किसी व्यक्ति को निर्णय लेना हो। कितने अलर्ट पर कार्रवाई होती है, कितनी वास्तविक घटनाएँ छूट जाती हैं और संचालक कितनी बार स्पष्टीकरण माँगते हैं—इन बातों को मापने से टीमों को केवल वर्गीकरण की गति के बजाय इस लाभ-हानि के संतुलन का बेहतर आकलन करने में मदद मिलेगी।
Workbench 2.0 बीटा में OpenAI के निर्णय मॉडल का विकल्प भी उपलब्ध है, और pgEdge का कहना है कि यह PostgreSQL 15 और उसके बाद के संस्करणों के साथ काम करता है। निर्णय मॉडलों की व्यापक कसौटी यह है कि क्या वे संचालकों के लिए ज़रूरी घटनाओं को छिपाए बिना अलर्ट की संख्या को संभालने योग्य रख सकते हैं। कम विलंब और कम मॉडल लागत उपयोगी हैं, लेकिन इनमें से कोई भी बात डेटाबेस टीम को यह नहीं बताती कि वह अगले अलर्ट पर भरोसा कर सकती है या नहीं।












