Jeremy Kelway, Wiceprezes ds. Inżynierii Analitycznej, Danych i Sztucznej Inteligencji w EDB – Seria Wywiadów

Jeremy (Jezz) Kelway jest Wiceprezesem ds. Inżynierii w EDB, z siedzibą w północno-zachodniej części Stanów Zjednoczonych. Kieruje zespołem skupionym na dostarczaniu rozwiązań analitycznych i sztucznej inteligencji opartych na Postgresie. Z doświadczeniem w zarządzaniu usługą Database-as-a-Service (DBaaS), przywództwie operacyjnym i dostarczaniu innowacyjnych technologii, Jezz ma silne podstawy w napędzaniu postępów w technologii sztucznej inteligencji.

EDB wspiera PostgreSQL, aby dostosować się do priorytetów biznesowych, umożliwiając rozwój aplikacji w chmurze, opłacalną migrację z baz danych legacy oraz elastyczną wdrożenie w środowiskach hybrydowych. Z rosnącą pulą talentów i solidnymi wynikami, EDB zapewnia bezpieczeństwo, niezawodność i wyjątkowe doświadczenia klientów dla aplikacji krytycznych dla misji.

Dlaczego Postgres staje się coraz bardziej popularnym wyborem jako baza danych do budowy aplikacji sztucznej inteligencji, a jakie kluczowe funkcje sprawiają, że jest on odpowiedni dla tego ewoluującego krajobrazu?

Z ponad 75% amerykańskich firm, które przyjmują sztuczną inteligencję, te firmy wymagają podstawowej technologii, która pozwoli im na szybki i łatwy dostęp do ich danych oraz pełne wykorzystanie sztucznej inteligencji. To właśnie tutaj pojawia się Postgres.

Postgres jest być może najlepszym technicznym przykładem trwałej technologii, która odzyskała popularność z większą relewantnością w erze sztucznej inteligencji niż kiedykolwiek wcześniej. Z solidną architekturą, natywnym wsparciem dla wielu typów danych i rozszerzalnością z założenia, Postgres jest idealnym kandydatem dla przedsiębiorstw, które chcą wykorzystać wartość swoich danych do gotowych do produkcji aplikacji sztucznej inteligencji w suwerennym i bezpiecznym środowisku.

Przez 20 lat, jakie EDB istnieje, lub 30+ lat, jakie Postgres istnieje jako technologia, branża przeszła przez ewolucje, zmiany i innowacje, a przez cały ten czas użytkownicy nadal “po prostu używają Postgresa”, aby rozwiązać swoje najbardziej złożone wyzwania z danymi.

Jak Retrieval-Augmented Generation (RAG) jest stosowany dzisiaj, a jak widzi Pan przyszłość “Inteligentnej Gospodarki”?

Przepływy RAG zyskują znaczną popularność i impet, a to ze względu na dobre powody! Kiedy ujęte w kontekście “Inteligentnej Gospodarki”, przepływy RAG umożliwiają dostęp do informacji w sposób, który ułatwia doświadczenie człowieka, oszczędzając czas poprzez automatyzację i filtrowanie danych i informacji, które w przeciwnym razie wymagałyby znacznego wysiłku i czasu, aby je stworzyć. Zwiększona dokładność kroku “wyszukiwania” (Retrieval) w połączeniu z możliwością dodania określonej treści do szerzej wyszkolonej LLM oferuje wiele możliwości przyspieszenia i poprawy podejmowania decyzji z odpowiednimi danymi. Przydatny sposób myślenia o tym jest taki, jak gdybyś miał wykwalifikowanego asystenta badawczego, który nie tylko znajduje odpowiednie informacje, ale także prezentuje je w sposób, który pasuje do kontekstu.

Jakie są największe wyzwania, z którymi organizacje spotykają się podczas wdrażania RAG w produkcji, a jakie strategie mogą pomóc w rozwiązaniu tych wyzwań?

Na podstawowym poziomie, jakość Twoich danych jest Twoim różnicowaniem sztucznej inteligencji. Dokładność, a w szczególności wygenerowanych odpowiedzi aplikacji RAG, zawsze będzie uzależniona od jakości danych, które są używane do szkolenia i uzupełniania danych. Poziom sofistyki stosowanej przez model generatywny będzie mniej korzystny, jeśli dane wejściowe są wadliwe, prowadząc do mniej odpowiednich i nieoczekiwanych wyników dla zapytania (często określanych jako “halucynacje”). Jakość Twoich źródeł danych zawsze będzie kluczem do sukcesu pobranych treści, które zasilają kroki generatywne – jeśli wyjście ma być jak najbardziej dokładne, źródła danych kontekstowych dla LLM muszą być jak najbardziej aktualne.

Pod względem wydajności; przyjęcie proaktywnej postawy wobec tego, co Twoja aplikacja RAG próbuje osiągnąć – wraz z momentem i miejscem, w którym dane są pobierane – pozwoli Ci dobrze zrozumieć potencjalne wpływy. Na przykład, jeśli Twój przepływ RAG pobiera dane z transakcyjnych źródeł danych (tj. ciągle aktualizowanych baz danych, które są krytyczne dla Twojego biznesu), monitorowanie wydajności tych kluczowych źródeł danych, wraz z aplikacjami, które pobierają dane z tych źródeł, zapewni zrozumienie potencjalnych lub rzeczywistych wpływów na wydajność Twojego przepływu RAG. Te środki są doskonałym krokiem w zarządzaniu potencjalnymi lub rzeczywistymi wpływami na wydajność krytycznych transakcyjnych źródeł danych. Dodatkowo, te informacje mogą również zapewnić cenne konteksty do strojenia aplikacji RAG w celu skupienia się na odpowiednim pobieraniu danych.

Biorąc pod uwagę wzrost specjalistycznych baz danych wektorowych dla sztucznej inteligencji, jakie korzyści oferuje Postgres w porównaniu z tymi rozwiązaniami, szczególnie dla przedsiębiorstw, które chcą operacjonalizować obciążenia sztucznej inteligencji?

Baza danych wektorowa o misji krytycznej ma możliwość obsługi wymagających obciążeń sztucznej inteligencji, jednocześnie zapewniając bezpieczeństwo danych, dostępność i elastyczność integracji z istniejącymi źródłami danych i informacjami strukturalnymi. Budowanie rozwiązania AI/RAG często wykorzystuje bazę danych wektorową, ponieważ te aplikacje obejmują oceny podobieństwa i rekomendacje, które pracują z wysokowymiarowymi danymi. Bazy danych wektorowe służą jako wydajne i skuteczne źródło danych do przechowywania, zarządzania i pobierania tych krytycznych potoków danych.

Jak EDB Postgres zarządza złożonościami danych wektorowych dla sztucznej inteligencji, a jakie są kluczowe korzyści z integracji obciążeń sztucznej inteligencji do środowiska Postgres?

Chociaż Postgres nie ma natywnej funkcjonalności wektorowej, pgvector jest rozszerzeniem, które pozwala przechowywać dane wektorowe obok reszty danych w Postgres. To pozwala przedsiębiorstwom wykorzystywać możliwości wektorowe wraz z istniejącymi strukturami bazy danych, upraszczając zarządzanie i wdrożenie aplikacji sztucznej inteligencji przez redukcję potrzeby oddzielnych magazynów danych i złożonych transferów danych.

Jak Postgres pomaga organizacjom upraszczać potoki danych i odblokowywać szybsze spostrzeżenia bez dodawania złożoności?

Te potoki danych są skutecznie napędzane aplikacjami sztucznej inteligencji. Z wieloma formatami przechowywania danych, lokalizacjami i typami danych, złożoności, w jaki sposób fazę pobierania można osiągnąć szybko, stają się namacalnym wyzwaniem, szczególnie gdy aplikacje sztucznej inteligencji przechodzą z Proof-of-Concept do Produkcji.

Rozszerzenie EDB Postgres AI Pipelines jest przykładem tego, jak Postgres odgrywa kluczową rolę w kształtowaniu “zarządzania danymi” w historii aplikacji sztucznej inteligencji. Uproszczając przetwarzanie danych za pomocą zautomatyzowanych potoków do pobierania danych z Postgres lub magazynu obiektów, generowania wektorowych osadzeń jako nowych danych i wyzwalania aktualizacji osadzeń, gdy zmieniają się dane źródłowe – co oznacza zawsze aktualne dane do zapytania i pobierania bez uciążliwego utrzymania.

Jakie innowacje lub rozwój możemy oczekiwać od Postgres w najbliższej przyszłości, szczególnie w miarę jak sztuczna inteligencja ewoluuje i wymaga coraz więcej od infrastruktury danych?

Baza danych wektorowa jest zdecydowanie niezakończonym artykułem, dalszy rozwój i udoskonalenie są oczekiwane, gdy wykorzystanie i uzależnienie od technologii bazy danych wektorowej będą nadal rosły. Społeczność PostgreSQL nadal innowuje w tym obszarze, szukając sposobów, aby poprawić indeksowanie, aby umożliwić bardziej złożone kryteria wyszukiwania wraz z postępem samej funkcjonalności pgvector.

Jak Postgres, szczególnie z ofertą EDB, wspiera potrzebę wdrożeń wielochmurowych i hybrydowych, a dlaczego ta elastyczność jest ważna dla przedsiębiorstw napędzanych przez sztuczną inteligencję?

Niedawne badanie EDB pokazuje, że 56% przedsiębiorstw wdrożyło obciążenia krytyczne dla misji w modelu hybrydowym, podkreślając potrzebę rozwiązań, które wspierają zarówno zwinność, jak i suwerenność danych. Postgres, z udoskonaleniami EDB, zapewnia niezbędną elastyczność dla środowisk wielochmurowych i hybrydowych, umożliwiając przedsiębiorstwom napędzanym przez sztuczną inteligencję zarządzanie danymi z zwinnością i kontrolą.

EDB Postgres AI zapewnia zwinność chmury i obserwowalność w środowiskach hybrydowych z suwerenną kontrolą. Ten podejście pozwala przedsiębiorstwom kontrolować zarządzanie modelami sztucznej inteligencji, jednocześnie upraszczając transakcyjne, analityczne i obciążenia sztucznej inteligencji w środowiskach hybrydowych lub wielochmurowych. Umożliwiając przenośność danych, kontrolę TCO i doświadczenie chmury na różnych infrastrukturach, EDB wspiera przedsiębiorstwa napędzane przez sztuczną inteligencję w realizowaniu szybszych i bardziej zwinnymi odpowiedzi na złożone wymagania dotyczące danych.

Jak Postgres wspiera zarządzanie danymi, prywatność i bezpieczeństwo, szczególnie w kontekście obsługi wrażliwych danych dla modeli sztucznej inteligencji?

W miarę jak sztuczna inteligencja staje się coraz bardziej wbudowana w systemy przedsiębiorstw, przedsiębiorstwa napotykają rosnące presje, aby zabezpieczyć integralność danych i przestrzegać surowych standardów zgodności. Ten ewoluujący krajobraz stawia suwerenność danych na pierwszym planie – gdzie ścisłe zarządzanie, bezpieczeństwo i widoczność nie są tylko priorytetami, ale warunkami wstępnymi. Przedsiębiorstwa muszą wiedzieć i być pewne, gdzie znajdują się ich dane i dokąd się udają.

Postgres wyróżnia się jako podstawa dla środowisk gotowych do sztucznej inteligencji, oferując zaawansowane możliwości zarządzania danymi wrażliwymi w środowiskach hybrydowych i wielochmurowych. Jego otwarta struktura oznacza, że przedsiębiorstwa korzystają z ciągłych innowacji, podczas gdy udoskonalenia EDB zapewniają przestrzeganie standardów bezpieczeństwa na poziomie przedsiębiorstwa, kontrolę dostępu i głęboką obserwowalność – kluczową dla odpowiedzialnego zarządzania danymi sztucznej inteligencji. Możliwości suwerennej sztucznej inteligencji EDB opierają się na tym podejściu, koncentrując się na przynoszeniu możliwości sztucznej inteligencji do danych, co ułatwia kontrolę nad tym, gdzie te dane się udają i skąd pochodzą.

Co sprawia, że EDB Postgres jest wyjątkowo zdolny do skalowania obciążeń sztucznej inteligencji, jednocześnie utrzymując wysoką dostępność i wydajność, szczególnie dla aplikacji krytycznych dla misji?

EDB Postgres AI pomaga podnieść infrastrukturę danych do strategicznego aktywa technologicznego, przynosząc analityczne i systemy sztucznej inteligencji bliżej danych operacyjnych i transakcyjnych klientów – wszystko zarządzane za pomocą Postgres. Zapewnia podstawę platformy danych dla aplikacji napędzanych przez sztuczną inteligencję, redukując złożoność infrastruktury, optymalizując efektywność kosztów i spełniając wymagania przedsiębiorstw dotyczące suwerenności danych, wydajności i bezpieczeństwa.

Elektryczna platforma danych dla nowoczesnych operatorów, deweloperów, inżynierów danych i twórców aplikacji sztucznej inteligencji, którzy wymagają sprawdzonej rozwiązania dla swoich obciążeń krytycznych dla misji, umożliwiając dostęp do analityki i możliwości sztucznej inteligencji podczas korzystania z podstawowego systemu operacyjnego przedsiębiorstwa.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić EDB.