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

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 basis data warisan, dan penerapan fleksibel di seluruh lingkungan hybrid. Dengan talenta yang terus tumbuh dan kinerja yang kuat, EDB memastikan keamanan, keandalan, dan pengalaman pelanggan yang unggul untuk aplikasi kritis.

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

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

Postgres mungkin adalah contoh teknis yang sempurna dari teknologi yang 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 untuk perusahaan yang ingin memanfaatkan nilai data mereka untuk produksi AI yang siap dan aman.

Melalui 20 tahun yang EDB telah ada, atau 30+ tahun yang Postgres sebagai teknologi telah ada, industri telah melewati 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 sebaliknya 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 informasi 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 dengan cara yang sesuai dengan konteks.

Apa beberapa tantangan paling signifikan 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 khususnya respons yang dihasilkan dari, aplikasi RAG akan selalu tergantung pada kualitas data yang digunakan untuk melatih dan melengkapi output. Tingkat kesophistikasi yang diterapkan oleh model generatif akan kurang bermanfaat jika/masukan yang rusak, menghasilkan hasil yang kurang sesuai 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 selalu mutakhir.

Dari perspektif kinerja; mengadopsi postur proaktif tentang apa yang aplikasi RAG Anda coba capai – serta 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 kritis untuk bisnis Anda), memantau kinerja sumber data kunci tersebut, bersama dengan aplikasi yang mengambil data dari sumber-sumber ini, 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 kritis. Selain itu, informasi ini juga dapat memberikan konteks yang berharga untuk mengatur aplikasi RAG untuk fokus pada pengambilan data yang sesuai.

Mengingat munculnya basis data vektor khusus untuk AI, apa kelebihan yang ditawarkan Postgres atas solusi ini, terutama bagi perusahaan yang ingin mengoperasikan beban kerja AI?

Basis data vektor kritis 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 akan sering menggunakan basis data vektor karena aplikasi ini melibatkan penilaian kesamaan dan rekomendasi yang bekerja dengan data berdimensi tinggi. Basis data vektor berfungsi sebagai sumber data yang efisien dan efektif untuk penyimpanan, manajemen, dan pengambilan 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?

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

Dengan Postgres menjadi pemain utama dalam beban kerja transaksional dan analitis, 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 Konsep Bukti, ke Produksi.

Ekstensi Pipa AI EDB Postgres adalah contoh tentang bagaimana Postgres memainkan peran kunci dalam membentuk ‘bagian manajemen data’ dari cerita aplikasi AI. 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 – yang berarti data yang selalu mutakhir untuk kueri dan pengambilan tanpa perawatan yang membosankan.

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

Basis data vektor tidak diragukan lagi belum selesai, pengembangan dan peningkatan lebih lanjut diharapkan karena pemanfaatan dan ketergantungan pada teknologi basis data 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 untuk 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 fleksibilitas dan kedaulatan data. Postgres, dengan peningkatan EDB, menyediakan fleksibilitas yang penting untuk lingkungan multi-cloud dan hybrid cloud, memberdayakan perusahaan yang didorong AI untuk mengelola data mereka dengan fleksibilitas dan kontrol.

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

Ketika AI menjadi lebih tertanam dalam sistem perusahaan, bagaimana Postgres mendukung tata kelola data, privasi, dan keamanan, terutama dalam konteks menangani data sensitif untuk model AI?

Ketika AI menjadi both batu penjuru operasional dan pembeda kompetitif, 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 yang ketat, 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 mendapat manfaat dari inovasi konstan, sementara peningkatan EDB memastikan kepatuhan terhadap keamanan kelas perusahaan, kontrol akses granular, dan pengamatan yang dalam – kunci untuk menangani data AI secara 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 bergerak ke, dan dari.

Apa yang membuat EDB Postgres secara unik mampu 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 analitis dan AI lebih dekat ke data operasional dan transaksional pelanggan – semua dikelola melalui Postgres. Ini menyediakan fondasi platform data untuk aplikasi AI yang didorong oleh meminimalkan kompleksitas infrastruktur, mengoptimalkan efisiensi biaya, dan memenuhi persyaratan 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 analitis 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.