Jeremy Kelway, VP of Engineering for Analytics, Data, and AI at EDB – Intervju-serie

Jeremy (Jezz) Kelway er visepresident for ingeniørarbeid ved EDB, med base i Pacific Northwest, USA. Han leder et team som fokuserer på å levere Postgres-baserte analytiske og AI-løsninger. Med erfaring fra Database-as-a-Service (DBaaS)-ledelse, operasjonell ledelse og innovativ teknologilevering, har Jezz en sterk bakgrunn i å drive fremvekst i nye teknologier.

EDB støtter PostgreSQL for å møte bedriftsprioriteter, og muliggjør utvikling av cloud-naturlige applikasjoner, kostnadseffektiv migrering fra legacy-databaser og fleksibel distribusjon over hybrid-miljøer. Med en voksende talentpool og robust ytelse, sikrer EDB sikkerhet, pålitelighet og overlegen kundeopplevelse for kritiske applikasjoner.

Hvorfor blir Postgres stadig mer populært som database for å bygge generative AI-applikasjoner, og hva er de viktigste egenskapene som gjør det egnet for denne utviklingen?

Med nærmere 75% av amerikanske bedrifter som tar i bruk AI, trenger disse bedriftene en grunnleggende teknologi som lar dem raskt og enkelt få tilgang til deres rike datamengder og fullt ut nyttiggjøre AI. Her kommer Postgres inn.

Postgres er kanskje det perfekte tekniske eksempelet på en varig teknologi som har gjenvunnet popularitet med større relevans i AI-æraen enn noen gang før. Med robust arkitektur, innbygget støtte for flere datatyper og utvidbarhet ved design, er Postgres en primær kandidat for bedrifter som ønsker å utnytte verdien av sine data for produksjonsklare AI i et suverent og sikret miljø.

I løpet av de 20 årene EDB har eksistert, eller de 30+ årene Postgres som teknologi har eksistert, har industrien gått gjennom evolusjoner, skift og innovasjoner, og gjennom alt dette fortsetter brukerne å “bare bruke Postgres” for å løse sine mest komplekse datautfordringer.

Hvordan brukes Retrieval-Augmented Generation (RAG) i dag, og hvordan ser du for deg at det vil forme fremtiden for den “intelligente økonomien”?

RAG-strømmer vinner stadig mer popularitet og momentum, og med god grunn! Når det plasseres i konteksten av den “intelligente økonomien”, muliggjør RAG-strømmer tilgang til informasjon på måter som forenkler den menneskelige erfaringen, sparer tid ved å automatisere og filtrere data- og informasjonsutgang som ellers ville kreve betydelig manuell innsats og tid for å bli skapt. Den økte nøyaktigheten i “søke”-steget (Retrieval) kombinert med muligheten til å legge til spesifikk innhold i et mer omfattende LLM tilbyr en mengde muligheter for å akselerere og forbedre informerte beslutninger med relevante data. En nyttig måte å tenke om dette på er som om du har en erfaren forskningsassistent som ikke bare finner riktig informasjon, men også presenterer den på en måte som passer konteksten.

Hva er noen av de største utfordringene organisasjoner møter når de implementerer RAG i produksjon, og hva strategier kan hjelpe med å løse disse utfordringene?

På et grunnleggende nivå er din datakvalitet din AI-differensierer. Nøyaktigheten av, og særlig de genererte svarene til, en RAG-applikasjon vil alltid være underlagt kvaliteten på dataene som brukes til å trene og supplere utgangen. Nivået av sofistikering som brukes av den generative modellen vil være mindre nyttig hvis/der inngangene er feil, noe som fører til mindre passende og uventede resultater for spørringen (ofte referert til som “hallusinasjoner”). Kvaliteten på dine datakilder vil alltid være nøkkel til suksessen for det innhentede innholdet som matet den generative steget—hvis utgangen ønskes å være så nøyaktig som mulig, må de kontekstuelle datakildene for LLM være så oppdaterte som mulig.

Fra et ytelsesperspektiv; å adoptere en proaktiv holdning til hva din RAG-applikasjon prøver å oppnå—sammen med når og hvor dataene hentes—vil plassere deg godt til å forstå potensielle påvirkninger. For eksempel, hvis din RAG-strøm henter data fra transaksjonsdatakilder (dvs. konstant oppdaterte databaser som er kritiske for din forretning), overvåking av ytelsen til disse nøkkeldatakildene, i tillegg til applikasjonene som trekker data fra disse kildene, vil gi forståelse for påvirkningene av dine RAG-strømsteget. Disse tiltakene er et utmerket skritt for å håndtere eventuelle eller sanntidsimpulsiver til ytelsen til kritiske transaksjonsdatakilder. I tillegg kan denne informasjonen også gi verdifull kontekst for å justere RAG-applikasjonen for å fokusere på passende datahenting.

Gitt den økende populariteten til spesialiserte vektor-databaser for AI, hva er fordelen med Postgres over disse løsningene, særlig for bedrifter som ønsker å operasjonalisere AI-arbeidsbelastninger?

En kritisk vektor-database har evnen til å støtte krevende AI-arbeidsbelastninger samtidig som den sikrer datasikkerhet, tilgjengelighet og fleksibilitet for å integrere med eksisterende datakilder og strukturert informasjon. Bygging av en AI/RAG-løsning vil ofte bruke en vektor-database, da disse applikasjonene innebærer ligningsvurderinger og anbefalinger som arbeider med høydimensjonale data. Vektor-databasene tjener som en effektiv og effektiv datakilde for lagring, ledelse og henting for disse kritiske data-pipelinene.

Hvordan håndterer EDB Postgres kompleksiteten ved å håndtere vektor-data for AI, og hva er de viktigste fordelene med å integrere AI-arbeidsbelastninger i et Postgres-miljø?

Mens Postgres ikke har innbygget vektorkapasitet, er pgvector en utvidelse som lar deg lagre vektor-dataene dine sammen med resten av dine data i Postgres. Dette lar bedrifter utnytte vektor-kapasiteter sammen med eksisterende database-strukturer, forenkler ledelsen og distribusjonen av AI-applikasjoner ved å redusere behovet for separate data-lagre og komplekse data-overføringer.

Med Postgres som en sentral aktør i både transaksjonelle og analytiske arbeidsbelastninger, hvordan hjelper det bedrifter med å strømlinje sine data-pipelinene og låse opp raskere innsikt uten å legge til kompleksitet?

Disse data-pipelinene er effektivt drivkraften bak AI-applikasjoner. Med de mange data-lagringsformatene, -plasseringene og -typene, blir kompleksiteten ved å oppnå henting-fasen raskt en merkbar utfordring, særlig når AI-applikasjonene går fra Proof-of-Concept til produksjon.

EDB Postgres AI Pipelines-utvidelsen er et eksempel på hvordan Postgres spiller en nøkkelrolle i å forme “data-ledelses”-delen av AI-applikasjons-historien. Forenkling av data-behandling med automatiserte pipelinene for å hente data fra Postgres eller objekt-lagring, generering av vektor-emboliseringer når ny data blir innført, og utløsning av oppdateringer til emboliseringer når kilde-data endres—betyr alltid oppdaterte data for spørring og henting uten omstendelig vedlikehold.

Hva innovasjoner eller utviklinger kan vi forvente fra Postgres i nær fremtid, særlig når AI fortsetter å utvikle seg og krever mer av data-infrastrukturen?

Vektor-databasen er ingen ferdig artikkel, og videre utvikling og forbedring forventes når bruken og avhengigheten av vektor-database-teknologi fortsetter å vokse. PostgreSQL-samfunnet fortsetter å innovere i dette rommet, og søker metoder for å forbedre indeksering for å tillate mer komplekse søke-kriterier sammen med fremgangen i pgvector-kapasiteten selv.

Hvordan støtter Postgres, særlig med EDBs tilbud, behovet for multi-cloud og hybrid-cloud-distribusjoner, og hvorfor er denne fleksibiliteten viktig for AI-drevne bedrifter?

En nylig EDB-studie viser at 56% av bedriftene nå distribuerer kritiske arbeidsbelastninger i en hybrid-modell, og understreker behovet for løsninger som støtter både smidighet og data-suverenitet. Postgres, med EDBs forbedringer, tilbyr den essensielle fleksibiliteten for multi-cloud og hybrid-cloud-miljøer, og gir AI-drevne bedrifter mulighet til å kontrollere sine data med både smidighet og kontroll.

EDB Postgres AI bringer sky-smidighet og overvåkbarhet til hybrid-miljøer med suveren kontroll. Dette tilnærmingen lar bedrifter kontrollere ledelsen av AI-modeller, samt strømlinje transaksjonelle, analytiske og AI-arbeidsbelastninger over hybrid- eller multi-cloud-miljøer. Ved å aktivere data-portabilitet, granulert TCO-kontroll og en sky-lignende erfaring på en rekke infrastrukturer, støtter EDB AI-drevne bedrifter i å realisere raskere og mer smidige responser på komplekse data-krav.

Ettersom AI blir mer integrert i bedriftssystemer, hvordan støtter Postgres data-styring, personvern og sikkerhet, særlig i konteksten av å håndtere sensitive data for AI-modeller?

Ettersom AI blir både en operasjonell hjørnesten og en konkurranse-forskjell, møter bedrifter økende press for å sikre data-integritet og opprettholde strenge retningslinjer for overholdelse. Dette utviklingslandskapet setter data-suverenitet i fokus—hvor streng styring, sikkerhet og synlighet ikke bare er prioriteringer, men forutsetninger. Bedrifter må vite og være sikre på hvor deres data er, og hvor det går.

Postgres utmerker seg som ryggraden for AI-klare data-miljøer, og tilbyr avanserte kapasiteter for å håndtere sensitive data over hybrid- og multi-cloud-miljøer. Dens åpne kilde-grunnlag betyr at bedrifter kan dra nytte av konstant innovasjon, mens EDBs forbedringer sikrer overholdelse av bedrifts-gradert sikkerhet, granulert tilgangskontroll og dyp overvåkbarhet—nøkkel for å håndtere AI-data på en ansvarlig måte. EDBs suverene AI-kapasiteter bygger på denne holdningen, og fokuserer på å bringe AI-kapasiteten til dataene, og dermed muliggjør kontroll over hvor dataene går til, og fra.

Hva gjør EDB Postgres unikt egnet til å skalerer AI-arbeidsbelastninger samtidig som det opprettholder høy tilgjengelighet og ytelse, særlig for kritiske applikasjoner?

EDB Postgres AI hjelper med å heve data-infrastrukturen til en strategisk teknologi-ressurs ved å bringe analytiske og AI-systemer nærmere kundens kjern-Operasjonelle og transaksjonelle data—all ledet gjennom Postgres. Det tilbyr data-plattform-grunnlaget for AI-drevne applikasjoner ved å redusere infrastruktur-kompleksitet, optimalisere kostnadseffektivitet og møte bedrifts-krav for data-suverenitet, ytelse og sikkerhet.

En elegant data-plattform for moderne operatører, utviklere, data-ingeniører og AI-applikasjons-byggere som krever en kamp-bevis løsning for sine kritiske arbeidsbelastninger, og som lar dem få tilgang til analytiske og AI-kapasiteter samtidig som de bruker bedriftens kjern-operasjonelle database-system.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke EDB.