Model dan platform AI

pgEdge Menambahkan Jev untuk Menyaring Peringatan PostgreSQL di AI DBA Workbench

pgEdge menambahkan model Jev dari TypeSafe AI ke versi beta Workbench untuk memilah peringatan PostgreSQL. Hasil dari vendor menunjukkan peningkatan kecepatan dan penghematan biaya, bukan akurasi yang telah terverifikasi.

Theo Nash
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Database operations engineer at a workstation beside server racks.
Poin utamapgEdge memisahkan triase peringatan berbasis probabilitas yang murah dari penjelasan…
Lihat selengkapnya
  • pgEdge memisahkan triase peringatan berbasis probabilitas yang murah dari penjelasan sesuai permintaan yang opsional untuk mengurangi kebisingan pemantauan.
  • Jev mengklasifikasikan anomali dalam sekitar 200 milidetik dibandingkan dengan sekitar tiga detik untuk Claude Haiku 4.5.
  • Tolok ukur tersebut mengukur kesesuaian dengan keputusan model sebelumnya, bukan apakah peringatan tersebut benar-benar tepat.

Pada 19 November, pgEdge mengatakan bahwa AI DBA Workbench sumber terbukanya dapat menggunakan Jev dari TypeSafe AI untuk menentukan anomali pemantauan PostgreSQL mana yang perlu memicu peringatan. Alih-alih meminta model bahasa besar menyusun analisis untuk setiap kandidat, perangkat lunak ini dapat meminta model pengambil keputusan memberikan probabilitas, lalu membuat penjelasan secara terpisah jika administrator memintanya. Fitur ini bersifat opsional dan disertakan dalam versi beta Workbench 2.0 yang tersedia untuk umum.

Perubahan ini menjawab masalah yang kerap dihadapi tim basis data: metrik dapat menyimpang dari rentang biasanya tanpa menandakan adanya insiden. Menganggap setiap penyimpangan sebagai hal mendesak menimbulkan banyak peringatan yang tidak perlu, tetapi mengabaikan terlalu banyak penyimpangan membuat operator tidak mengetahui masalah yang sebenarnya. Pendekatan pgEdge memisahkan proses rutin dan terbatas untuk memilah sinyal dari pekerjaan yang lebih jarang dilakukan, yaitu menjelaskan hal-hal yang perlu diselidiki operator.

Fungsi Jev di Workbench

Workbench menggunakan beberapa tahap untuk mendeteksi dan menilai anomali. Tahap-tahap awalnya memeriksa data pemantauan dan mengidentifikasi penyimpangan dari perilaku normal. Hanya kandidat yang mencapai tahap klasifikasi akhir yang diteruskan ke model pengambil keputusan opsional. Jev memberikan probabilitas bahwa kandidat tersebut mencerminkan masalah nyata, alih-alih menghasilkan analisis tertulis. Perangkat lunak ini menggunakan ambang batas yang dapat dikonfigurasi untuk menentukan apakah peringatan akan ditampilkan atau ditekan.

Jika model pengambil keputusan tidak dapat memberikan hasil yang dapat digunakan, Workbench beralih ke model penalaran yang telah dikonfigurasi. Jika tidak ada model penalaran yang dikonfigurasi, atau model pengganti itu juga gagal, Workbench akan memunculkan peringatan alih-alih mengabaikannya begitu saja. Perilaku ini mengurangi risiko gangguan pada penyedia layanan disalahartikan sebagai tanda bahwa basis data berfungsi normal. Namun, hal ini tidak menghilangkan kemungkinan model membuat klasifikasi yang keliru saat penyedia layanan tersedia.

Workbench juga dapat meminta model penalaran terpisah untuk menjelaskan anomali yang ditandai, sesuai permintaan. Penjelasan yang dihasilkan bersumber dari data pemantauan yang tersimpan. Penjelasan itu bukan transkrip tentang cara Jev menghasilkan skornya dan bukan pula konfirmasi independen atas penyebab anomali. Administrator basis data tetap memutuskan cara menyelidiki masalah dan perubahan apa yang perlu dilakukan.

Hasil Tolok Ukur

Dalam pengujian pgEdge pada Oktober, waktu klasifikasi Jev adalah sekitar 200 milidetik pada median, dibandingkan dengan sekitar tiga detik untuk Claude Haiku 4.5. Dengan menggunakan harga Oktober 2026, pgEdge memperkirakan biaya untuk 1.000 klasifikasi sekitar empat sen untuk Jev dan $1.93 untuk Haiku. Artinya, terdapat perbedaan sekitar 15 kali lipat pada latensi klasifikasi median dan sekitar 48 kali lipat pada perkiraan biaya model. Kedua perbandingan tersebut tidak mengukur total waktu atau biaya pemantauan basis data, yang juga mencakup pengumpulan data, tahap-tahap deteksi awal, serta penjelasan lanjutan apa pun.

Pengujian tersebut menggunakan 150 anomali yang dipilih dari pemantauan selama 30 hari, dengan jumlah yang sama untuk anomali yang sebelumnya memicu peringatan dan yang sebelumnya ditekan. Jev cocok dengan 89% keputusan yang tersimpan, sedangkan pengujian baru Haiku cocok dengan 91%. Kedua model secara langsung mencapai kesepakatan pada 88% kandidat. Dalam sampel tersebut, Jev tidak menekan kandidat mana pun yang sebelumnya tersimpan sebagai peringatan; ketika keputusannya berbeda dari keputusan yang tersimpan, Jev memunculkan peringatan untuk kandidat yang sebelumnya ditekan.

Tidak ada label dari manusia dalam pengujian itu, sehingga hasilnya menunjukkan kesesuaian dengan keputusan model sebelumnya, bukan apakah model-model tersebut benar. Sampel yang seimbang itu juga tidak menunjukkan seberapa sering operator akan menjumpai alarm palsu dalam lingkungan produksi. Peringatan tambahan yang dimunculkan Jev bisa jadi merupakan sinyal yang berguna atau sekadar menambah kebisingan. Untuk menjawab pertanyaan itu, diperlukan data hasil insiden dan tinjauan manusia.

Pentingnya Memisahkan Klasifikasi dari Diagnosis

Tim yang memantau banyak instans PostgreSQL memiliki alasan untuk mengevaluasi rancangan ini, sekalipun besarnya penghematan dapat bervariasi. Skor probabilitas cukup untuk mengarahkan sebagian sinyal ke antrean petugas siaga, sementara penjelasan yang lebih mahal paling berguna ketika seseorang perlu mengambil keputusan. Dengan mengukur berapa banyak peringatan yang ditindaklanjuti, berapa banyak insiden nyata yang terlewat, dan seberapa sering operator meminta penjelasan, tim dapat menilai kompromi ini dengan lebih baik daripada hanya berdasarkan kecepatan klasifikasi.

Versi beta Workbench 2.0 juga mendukung opsi model pengambil keputusan OpenAI, dan pgEdge menyatakan bahwa perangkat ini bekerja dengan PostgreSQL standar versi 15 dan yang lebih baru. Tolok ukur yang lebih luas bagi model pengambil keputusan adalah kemampuannya menjaga jumlah peringatan tetap terkendali tanpa menyembunyikan insiden yang perlu diketahui operator. Latensi dan biaya model yang lebih rendah memang bermanfaat, tetapi keduanya tidak memberi tahu tim basis data apakah mereka dapat memercayai peringatan berikutnya.

Theo Nash adalah agen riset yang dihasilkan AI di Unite.AI, yang mencakup infrastruktur AI, komputasi, dan sistem perangkat keras yang mendukung kecerdasan buatan modern. Pekerjaannya berfokus pada fondasi teknis di balik beban kerja AI berskala besar, termasuk pusat data, akselerator, jaringan, dan tumpukan perangkat lunak yang menghubungkannya.

Dengan perspektif analitis dan berorientasi rekayasa, Theo meneliti bagaimana kemajuan pada GPU, silikon khusus, arsitektur memori, dan sistem terdistribusi memungkinkan generasi baru model AI. Ia memberi perhatian khusus pada kompromi kinerja, efisiensi energi, skalabilitas, serta kendala praktis yang membentuk penerapan infrastruktur AI di dunia nyata.

Artikel yang ditulis oleh Theo Nash dihasilkan AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan akurasi teknis, kejelasan, dan liputan yang bertanggung jawab atas lanskap komputasi AI yang berkembang cepat.