Jeremy Kelway, Wakil Presiden Teknik untuk Analitik, Data, dan AI di EDB – Seri Wawancara

Jeremy (Jezz) Kelway adalah Wakil Presiden Teknik di EDB, yang berbasis di Pacific Northwest, USA. Ia memimpin tim yang fokus pada pengiriman solusi analitik dan AI berbasis Postgres. Dengan pengalaman dalam manajemen Database-as-a-Service (DBaaS), kepemimpinan operasional, dan pengiriman teknologi inovatif, Jezz memiliki latar belakang yang kuat dalam mengemudi kemajuan teknologi yang muncul.

EDB mendukung PostgreSQL untuk selaras dengan prioritas bisnis, memungkinkan pengembangan aplikasi cloud-native, migrasi biaya-efektif dari database warisan, dan penerapan fleksibel di lingkungan hybrid. Dengan talenta yang tumbuh dan kinerja yang kuat, EDB memastikan keamanan, keandalan, dan pengalaman pelanggan yang unggul untuk aplikasi kritis.

Mengapa Postgres semakin menjadi database pilihan untuk membangun aplikasi AI generatif, dan apa fitur kunci yang membuatnya cocok untuk lanskap yang berkembang ini?

Dengan hampir 75% perusahaan AS yang mengadopsi AI, bisnis-bisnis ini memerlukan teknologi fondasional yang akan memungkinkan mereka untuk dengan cepat dan mudah mengakses data yang melimpah dan sepenuhnya menerima AI. Inilah di mana Postgres masuk.

Postgres mungkin adalah contoh teknis yang paling tahan lama yang telah muncul kembali dalam popularitas dengan relevansi yang lebih besar dalam era AI daripada sebelumnya. Dengan arsitektur yang kuat, dukungan asli untuk beberapa jenis data, dan ekstensibilitas oleh desain, Postgres adalah kandidat utama bagi perusahaan yang ingin memanfaatkan nilai data mereka untuk AI yang siap produksi dalam lingkungan yang berdaulat dan aman.

Melalui 20 tahun keberadaan EDB, atau 30+ tahun Postgres sebagai teknologi, industri telah bergerak melalui evolusi, pergeseran, dan inovasi, dan melalui semua itu, pengguna terus “hanya menggunakan Postgres” untuk menangani tantangan data yang paling kompleks.

Bagaimana Retrieval-Augmented Generation (RAG) diterapkan saat ini, dan bagaimana Anda melihatnya membentuk masa depan “Ekonomi Cerdas”?

Aliran RAG mendapatkan popularitas dan momentum yang signifikan, dengan alasan yang baik! Ketika dilihat dalam konteks ‘Ekonomi Cerdas’, aliran RAG memungkinkan akses ke informasi dengan cara yang memfasilitasi pengalaman manusia, menghemat waktu dengan mengotomatisasi dan menyaring output data dan informasi yang akan memerlukan upaya manual dan waktu yang signifikan untuk dibuat. Akurasi yang meningkat dari langkah ‘pencarian’ (Retrieval) yang dikombinasikan dengan kemampuan menambahkan konten khusus ke LLM yang lebih luas menawarkan kesempatan untuk mempercepat dan meningkatkan pengambilan keputusan yang tepat dengan data yang relevan. Cara yang berguna untuk memikirkan ini adalah sebagai jika Anda memiliki asisten penelitian yang terampil yang tidak hanya menemukan informasi yang tepat tetapi juga menyajikannya dalam cara yang sesuai dengan konteks.

Apa beberapa tantangan terbesar yang dihadapi organisasi saat menerapkan RAG dalam produksi, dan apa strategi yang dapat membantu mengatasi tantangan ini?

Pada tingkat dasar, kualitas data Anda adalah pembeda AI Anda. Akurasi dari, dan terutama respons yang dihasilkan, aplikasi RAG akan selalu tunduk pada kualitas data yang digunakan untuk melatih dan melengkapi output. Tingkat kecanggihan yang diterapkan oleh model generatif akan kurang bermanfaat jika/menjadi input yang rusak, menghasilkan hasil yang kurang tepat dan tidak terduga untuk kueri (sering disebut ‘halusinasi’). Kualitas sumber data Anda akan selalu menjadi kunci keberhasilan konten yang diperoleh yang memberi makan langkah generatif—jika output yang diinginkan adalah seakurat mungkin, sumber data kontekstual untuk LLM akan perlu diperbarui.

Dari perspektif kinerja; mengadopsi postur proaktif tentang apa yang aplikasi RAG Anda coba capai—bersama dengan kapan dan di mana data diperoleh—akan memposisikan Anda dengan baik untuk memahami dampak potensial. Misalnya, jika aliran RAG Anda mengambil data dari sumber data transaksional (yaitu database yang diperbarui secara konstan yang kritikal untuk bisnis Anda), memantau kinerja sumber data kunci tersebut, bersama dengan aplikasi yang mengambil data dari sumber tersebut, akan memberikan pemahaman tentang dampak aliran RAG. Langkah-langkah ini adalah langkah yang sangat baik untuk mengelola dampak potensial atau waktu nyata pada kinerja sumber data transaksional yang kritikal. Selain itu, informasi ini juga dapat memberikan konteks yang berharga untuk menyetel aplikasi RAG untuk fokus pada pengambilan data yang tepat.

Bagaimana Postgres menawarkan keunggulan atas solusi database vektor khusus untuk AI, terutama bagi perusahaan yang ingin mengoperasikan beban kerja AI?

Database vektor yang kritikal untuk misi memiliki kemampuan untuk mendukung beban kerja AI yang menuntut sambil memastikan keamanan data, ketersediaan, dan fleksibilitas untuk mengintegrasikan dengan sumber data yang ada dan informasi terstruktur. Membangun solusi AI/RAG sering menggunakan database vektor karena aplikasi ini melibatkan penilaian kesamaan dan rekomendasi yang bekerja dengan data berdimensi tinggi. Database vektor berfungsi sebagai sumber data yang efisien dan efektif untuk penyimpanan, manajemen, dan pengambilan data untuk pipa data kritis ini.

Bagaimana EDB Postgres menangani kompleksitas pengelolaan data vektor untuk AI, dan apa manfaat utama dari mengintegrasikan beban kerja AI ke dalam lingkungan Postgres?

Postgres tidak memiliki kemampuan vektor asli, tetapi pgvector adalah ekstensi yang memungkinkan Anda untuk menyimpan data vektor Anda di samping data lainnya di Postgres. Ini memungkinkan perusahaan untuk memanfaatkan kemampuan vektor di samping struktur database yang ada, menyederhanakan pengelolaan dan penerapan aplikasi AI dengan mengurangi kebutuhan akan toko data terpisah dan transfer data yang kompleks.

Bagaimana Postgres membantu organisasi menyederhanakan pipa data mereka dan membuka wawasan yang lebih cepat tanpa menambah kompleksitas?

Pipa data ini secara efektif memasok aplikasi AI. Dengan berbagai format penyimpanan data, lokasi, dan jenis data, kompleksitas tentang bagaimana fase pengambilan dicapai dengan cepat menjadi tantangan yang nyata, terutama karena aplikasi AI berpindah dari Bukti Konsep ke Produksi.

Ekstensi Pipa AI Postgres EDB adalah contoh tentang bagaimana Postgres memainkan peran kunci dalam membentuk ‘bagian manajemen data’ dari cerita aplikasi AI. Dengan menyederhanakan pemrosesan data dengan pipa otomatis untuk mengambil data dari Postgres atau penyimpanan objek, menghasilkan embedding vektor sebagai data baru yang diambil, dan memicu pembaruan embedding ketika data sumber berubah—maksudnya data yang selalu mutakhir untuk kueri dan pengambilan tanpa pemeliharaan yang menjemukan.

Apa inovasi atau pengembangan yang dapat kita harapkan dari Postgres di masa depan, terutama karena AI terus berkembang dan menuntut lebih banyak dari infrastruktur data?

Database vektor bukanlah artikel yang selesai, pengembangan dan peningkatan lebih lanjut diharapkan karena penggunaan dan ketergantungan pada teknologi database vektor terus tumbuh. Komunitas PostgreSQL terus berinovasi dalam ruang ini, mencari metode untuk meningkatkan pengindeksan untuk memungkinkan kriteria pencarian yang lebih kompleks bersama dengan kemajuan kemampuan pgvector itu sendiri.

Bagaimana Postgres, terutama dengan penawaran EDB, mendukung kebutuhan akan penerapan multi-cloud dan hybrid cloud, dan mengapa fleksibilitas ini penting bagi perusahaan yang didorong AI?

Studi EDB baru-baru ini menunjukkan bahwa 56% perusahaan sekarang menerapkan beban kerja kritis dalam model hybrid, menyoroti kebutuhan akan solusi yang mendukung baik agility dan kedaulatan data. Postgres, dengan peningkatan EDB, menyediakan fleksibilitas yang penting untuk lingkungan multi-cloud dan hybrid, memberdayakan perusahaan yang didorong AI untuk mengelola data mereka dengan fleksibilitas dan kontrol.

EDB Postgres AI membawa kemampuan cloud dan pengamatan ke lingkungan hybrid dengan kontrol berdaulat. Pendekatan ini memungkinkan perusahaan untuk mengontrol pengelolaan model AI, sambil juga menyederhanakan beban kerja transaksional, analitik, dan AI di seluruh lingkungan hybrid atau multi-cloud. Dengan memungkinkan portabilitas data, kontrol TCO yang granular, dan pengalaman cloud-like di berbagai infrastruktur, EDB mendukung perusahaan yang didorong AI dalam mewujudkan respons yang lebih cepat dan lebih gesit terhadap tuntutan data yang kompleks.

Bagaimana Postgres mendukung tata kelola data, privasi, dan keamanan, terutama dalam konteks menangani data sensitif untuk model AI?

Seiring AI menjadi lebih tertanam dalam sistem perusahaan, perusahaan menghadapi tekanan yang meningkat untuk melindungi integritas data dan mempertahankan standar kepatuhan yang ketat. Lanskap yang berkembang ini menempatkan kedaulatan data di pusat—di mana tata kelola, keamanan, dan visibilitas tidak hanya prioritas tetapi prasyarat. Bisnis perlu tahu dan yakin tentang di mana data mereka berada, dan ke mana data itu pergi.

Postgres unggul sebagai tulang punggung untuk lingkungan data yang siap AI, menawarkan kemampuan canggih untuk mengelola data sensitif di seluruh pengaturan hybrid dan multi-cloud. Fondasi sumber terbuka berarti perusahaan dapat memanfaatkan inovasi konstan, sementara peningkatan EDB memastikan kepatuhan terhadap keamanan kelas perusahaan, kontrol akses granular, dan pengamatan yang dalam—kunci untuk menangani data AI dengan bertanggung jawab. Kemampuan AI Berdaulat EDB membangun pada postur ini, fokus pada membawa kemampuan AI ke data, sehingga memfasilitasi kontrol atas di mana data itu pergi, dan dari mana.

Apa yang membuat EDB Postgres unik dalam kemampuan untuk menskalakan beban kerja AI sambil mempertahankan ketersediaan tinggi dan kinerja, terutama untuk aplikasi kritis?

EDB Postgres AI membantu meningkatkan infrastruktur data menjadi aset teknologi strategis dengan membawa sistem analitik dan AI lebih dekat ke data operasional dan transaksional inti pelanggan—semua dikelola melalui Postgres. Ini menyediakan fondasi platform data untuk aplikasi yang didorong AI dengan mengurangi kompleksitas infrastruktur, mengoptimalkan efisiensi biaya, dan memenuhi kebutuhan perusahaan untuk kedaulatan data, kinerja, dan keamanan.

Sebuah platform data yang elegan untuk operator modern, pengembang, insinyur data, dan pembangun aplikasi AI yang memerlukan solusi yang terbukti untuk beban kerja kritis mereka, memungkinkan akses ke kemampuan analitik dan AI sambil menggunakan sistem database operasional inti perusahaan.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi EDB.