EnterpriseDB, “인텔리전스 퍼 왓”을 통해 AI 에너지 소비 줄이기

EnterpriseDB는 새로운 성능 벤치마크와 아키텍처 개선을 발표했습니다. EDB Postgres AI 플랫폼 내에서 이는 “인텔리전스 퍼 왓”이라는 새로운 표준을 도입했다. 이 개념은 AI 시스템을 확장하는 데 필요한 에너지 소비와 인프라 비용의 증가를 해결하기 위해 설계되었습니다.

이 회사의 최신 결과는 의미 있는 효율성 향상을 모델이나 GPU 수준에서가 아닌 모든 AI 상호 작용의 기초가 되는 데이터 레이어에서 달성할 수 있음을 시사한다. 데이터를 검색, 색인화, 처리하는 방식을 최적화함으로써 EnterpriseDB는 토큰 사용량을 줄이고 인프라 요구 사항을 축소하며 AI 워크로드와 관련된 배출량을 크게 줄일 수 있다고 주장한다.

데이터 레이어에 초점을 둔 성능 향상

이 발표는 속도와 효율성의 향상을 강조하는 일련의 벤치마크에 의해 뒷받침된다. EnterpriseDB는 플랫폼이 벡터 색인을 가속화할 수 있으며 전통적인 접근 방식보다 훨씬 적은 메모리를 사용할 수 있으며 토큰 사용량을 줄일 수 있음을 보고한다.

실제로 이는 AI 시스템이 동일한 작업을 더 적은 계산 단계로 완료할 수 있다는 것을 의미한다. 토큰 생성과 데이터 검색은 직접적으로 컴퓨팅 사용량에 연결되므로 이러한 감소는 상호 작용당 에너지 소비의 감소로 변환된다.

이 회사는 또한 분석 워크로드 전반에 걸친 개선 사항을 강조한다. 여기서 라이브 데이터에 대한 작업은 현저히 더 빠르게 완료될 수 있다. 이러한 개선 사항은 분리된 사용 사례에만 국한되지 않으며 AI, 분석, 트랜잭션 시스템이 동시에 작동하는 엔터프라이즈 환경에서 적용된다.

인프라 감소와 배출 영향

워크로드 수준의 개선 사항을 넘어서 EnterpriseDB는 인프라 수준의 감소를 강조한다. 이 회사는 여러 엔터프라이즈 배포에서 플랫폼이 애플리케이션을 실행하는 데 필요한 컴퓨팅 코어의 수를 크게 줄일 수 있었으며 이는 에너지 사용량과 관련된 배출량을 줄였다고 보고한다.

대규모 금융 서비스 환경을 포함하는 예에서 인프라의 감소는 탄소 출력의 상당한 감소로 번역되었다. 이러한 절감의 규모는 데이터베이스 레이어의 효율성 개선이 시스템 전체에 영향을 미칠 수 있으며 특히 여러 데이터 센터를 운영하는 조직에서 그렇다는 것을 강조한다.

이중적인 인프라와 워크로드 최적화는 “인텔리전스 퍼 왓” 프레임워크의 기초를 형성한다. 아이디어는 단순히 AI를 더 빠르게 만드는 것이 아니라 그것을 본질적으로 더 효율적으로 만드는 것이다.

AI와 데이터 센터의 증가하는 에너지 도전

이러한 개선 사항의 중요성은 데이터 센터 성장의 더广泛한 궤도에서 명확해진다. AI는 컴퓨팅 리소스에 대한 수요를 급격히 증가시키고 그에 따라 전기 소비도 증가한다.

국제 에너지 기구는 2030년까지 전 세계 데이터 센터의 전기 수요가 약 945테라와트시로 증가할 수 있다고 예측했다. AI 워크로드가 이 증가의 주요 원동력이 될 것으로 예상된다.

이 수요의 급증은 직접적인 환경적 의미를 가진다. 데이터 센터는 이미 전 세계 전기 사용량의 상당한 부분을 차지하며 그 확장은 에너지 인프라와 배출량 목표에 추가적인 압력을 가한다. 효율성의 개선 없이 AI를 확장하는 비용은 금전적인 고려를 넘어서게 될 것이다.

EnterpriseDB는 무엇이며 왜 중요한가

EnterpriseDB는 오랫동안 엔터프라이즈급 PostgreSQL 솔루션과 관련되어 왔지만 데이터 및 AI 플랫폼 제공업체로의 발전은 시장의 더广泛한 변화를 반영한다. 조직이 핵심 운영에 AI를 통합함에 따라 데이터베이스와 AI 시스템之间의 경계는 사라지고 있다.

EDB Postgres AI는 이 교차점에서 작동하도록 설계되어 트랜잭션 처리, 분석, AI 워크로드를 단일 시스템 내에서 결합한다. 이 접근 방식은 데이터를 복제하고 환경 사이에서 이동해야 하는 여러 전문 플랫폼의 필요성을 줄인다.

이러한 기능을 통합함으로써 EnterpriseDB는 AI 인프라의 기초 레이어로 자신을 위치시키고 있다. 효율성에 대한 그들의 초점은 AI를 확장하는 것이 단순히 능력을 증가시키는 것뿐만 아니라 지속 가능하게 하는 것이라는 인식과 일치한다.

他の 업계 노력과 비교

전체 업계를 통해 AI 효율성을 개선하려는 대부분의 노력은 하드웨어와 모델 최적화에 초점을 맞추고 있다. 칩 제조업체는 더 효율적인 프로세서를 개발하고 있으며 AI 회사는 모델의 크기와 계산 요구 사항을 줄이기 위해 노력하고 있다.

클라우드 제공업체도 데이터 센터 효율성을 높이기 위해大量으로 투자하고 있다. 여기에는 냉각 혁신과 재생 에너지 통합이 포함된다. 同時に 데이터 플랫폼은 벡터 검색 및 기계 학습 기능을 시스템에 직접 통합하여 AI 워크로드를 더 잘 지원하도록 발전하고 있다.

EnterpriseDB의 접근 방식을 다른 점은 데이터 레이어를 효율성의 주요 레버로 강조하는 것이다. GPU 또는 모델 아키텍처와 경쟁하는 것이 아니라 추론을 둘러싼 이전 및 이후의 작업을 대상으로 한다. 여기서 상당한 비효율성이 축적될 수 있다.

이 관점은 하드웨어 또는 모델 개선을 대체하지 않는다. AI 시스템이 더 복잡하고 독립적으로 작동하는 경우 데이터 인프라의 효율성이 전체 성능과 비용을 결정하는 데 점점 더 중요한 역할을 할 수 있다.

AI 효율성을 측정하는 방향으로의 전환

“인텔리전스 퍼 왓”의 도입은 기업이 AI 시스템을 평가하는 방식의 더广泛한 전환을 반영한다. 성능만으로는 더 이상 충분하지 않다. 조직은 성능을 생성하는 데 필요한 에너지의 양과 이를 품질을 희생하지 않고 줄일 수 있는지 고려하기 시작했다.

EnterpriseDB의 발표는 AI 시스템을 평가할 때 효율성이 점점 더 중요한 고려 사항이 될 것임을 시사한다. AI 에이전트가 수십억 개로 확장되고 지속적으로 작동하는 경우 효율성의 작은 개선은 큰 누적 영향을 미칠 수 있다.

이 맥락에서 데이터 레이어를 최적화하는 것은 더 이상 두 번째 고려 사항이 아니다. 그것은 엔터프라이즈 AI의 미래에 대한 대화의 중심 부분이 되고 있다.