Jeremy Kelway, VP de Engenharia para Análise, Dados e IA na EDB – Série de Entrevistas

Jeremy (Jezz) Kelway é Vice-Presidente de Engenharia na EDB, com sede no noroeste do Pacífico, EUA. Ele lidera uma equipe focada em entregar soluções de análise e IA baseadas em Postgres. Com experiência em gerenciamento de Database-as-a-Service (DBaaS), liderança operacional e entrega de tecnologia inovadora, Jezz tem uma forte formação em impulsionar avanços em tecnologias emergentes.

A EDB apoia o PostgreSQL para alinhar com prioridades de negócios, permitindo o desenvolvimento de aplicações nativas em nuvem, migração de bancos de dados legados de forma rentável e implantação flexível em ambientes híbridos. Com um crescimento do talento e um desempenho robusto, a EDB garante segurança, confiabilidade e experiências superiores para aplicações críticas.

Por que o Postgres está se tornando cada vez mais o banco de dados preferido para construir aplicações de IA gerativa, e quais são os principais recursos que o tornam adequado para esse cenário em evolução?

Com quase 75% das empresas dos EUA adotando IA, essas empresas precisam de uma tecnologia fundamental que permita acessar rapidamente e com facilidade seus abundantes dados e abraçar totalmente a IA. É aqui que o Postgres entra em cena.

O Postgres é talvez o exemplo técnico perfeito de uma tecnologia duradoura que reemergiu em popularidade com uma relevância maior na era da IA do que nunca. Com uma arquitetura robusta, suporte nativo para vários tipos de dados e extensibilidade por design, o Postgres é um candidato principal para empresas que buscam aproveitar o valor de seus dados para IA de produção em um ambiente soberano e seguro.

Ao longo dos 20 anos em que a EDB existe, ou dos 30+ anos em que o Postgres existe como tecnologia, a indústria passou por evoluções, mudanças e inovações, e, apesar disso, os usuários continuam a “usar apenas o Postgres” para enfrentar seus desafios de dados mais complexos.

Como o Fluxo de Geração Aumentada por Recuperação (RAG) está sendo aplicado hoje, e como você vê que ele moldará o futuro da “Economia Inteligente”?

Os fluxos RAG estão ganhando popularidade e impulso, e com razão! Quando enquadrados no contexto da “Economia Inteligente”, os fluxos RAG estão permitindo o acesso a informações de maneiras que facilitam a experiência humana, economizando tempo ao automatizar e filtrar a saída de dados e informações que, de outra forma, exigiriam um esforço manual significativo e tempo para ser criada. A precisão aumentada da etapa de “pesquisa” (Recuperação) combinada com a capacidade de adicionar conteúdo específico a um LLM mais amplamente treinado oferece uma rica oportunidade de acelerar e melhorar a tomada de decisões informadas com dados relevantes. Uma maneira útil de pensar sobre isso é como se você tivesse um assistente de pesquisa habilidoso que não apenas encontra as informações certas, mas também as apresenta de uma maneira que se ajusta ao contexto.

Quais são alguns dos principais desafios que as organizações enfrentam ao implementar o RAG em produção, e quais estratégias podem ajudar a enfrentar esses desafios?

No nível fundamental, a qualidade dos seus dados é o seu diferencial de IA. A precisão das respostas geradas de uma aplicação RAG, e particularmente das respostas geradas, sempre será sujeita à qualidade dos dados utilizados para treinar e aumentar a saída. O nível de sofisticação aplicado pelo modelo gerativo será menos benéfico se/onde as entradas forem defeituosas, levando a resultados menos apropriados e inesperados para a consulta (freqüentemente referidos como “alucinações”). A qualidade das suas fontes de dados sempre será fundamental para o sucesso do conteúdo recuperado que alimenta as etapas gerativas – se a saída desejada for a mais precisa possível, as fontes de dados contextuais para o LLM precisarão estar atualizadas o mais possível.

Do ponto de vista do desempenho; adotar uma postura proativa sobre o que a sua aplicação RAG está tentando alcançar – juntamente com quando e onde os dados estão sendo recuperados – o posicionará bem para entender os impactos potenciais. Por exemplo, se o seu fluxo RAG estiver recuperando dados de fontes de dados transacionais (ou seja, bancos de dados constantemente atualizados que são críticos para o seu negócio), monitorar o desempenho dessas fontes de dados-chave, juntamente com as aplicações que estão tirando dados dessas fontes, fornecerá compreensão sobre o impacto das etapas do fluxo RAG. Essas medidas são um excelente passo para gerenciar quaisquer implicações potenciais ou em tempo real no desempenho das fontes de dados transacionais críticas. Além disso, essas informações também podem fornecer contexto valioso para ajustar a aplicação RAG para se concentrar na recuperação de dados apropriada.

Dada a ascensão de bancos de dados vetoriais especializados para IA, quais são as vantagens que o Postgres oferece sobre essas soluções, particularmente para empresas que buscam operacionalizar cargas de trabalho de IA?

Um banco de dados vetorial de missão crítica tem a capacidade de suportar cargas de trabalho de IA exigentes, garantindo a segurança dos dados, a disponibilidade e a flexibilidade para integrar com fontes de dados existentes e informações estruturadas. A construção de uma solução de IA/RAG frequentemente utiliza um banco de dados vetorial, pois essas aplicações envolvem avaliações de similaridade e recomendações que trabalham com dados de alta dimensionalidade. Os bancos de dados vetoriais servem como uma fonte de dados eficiente e eficaz para armazenamento, gerenciamento e recuperação desses pipelines de dados críticos.

Como o EDB Postgres lida com as complexidades de gerenciar dados vetoriais para IA, e quais são os principais benefícios de integrar cargas de trabalho de IA em um ambiente Postgres?

Embora o Postgres não tenha capacidade vetorial nativa, o pgvector é uma extensão que permite armazenar seus dados vetoriais junto com o restante dos seus dados no Postgres. Isso permite que as empresas aproveitem as capacidades vetoriais junto com estruturas de banco de dados existentes, simplificando o gerenciamento e a implantação de aplicações de IA, reduzindo a necessidade de armazenamentos de dados separados e transferências de dados complexas.

A medida que o Postgres se torna um jogador central tanto em cargas de trabalho transacionais quanto em analíticas, como ele ajuda as organizações a simplificar seus pipelines de dados e desbloquear insights mais rápidos sem adicionar complexidade?

Esses pipelines de dados estão efetivamente alimentando aplicações de IA. Com os muitos formatos de armazenamento de dados, locais e tipos de dados, as complexidades de como a fase de recuperação é alcançada rapidamente se tornam um desafio tangível, particularmente à medida que as aplicações de IA se movem do Proof-of-Concept para a Produção.

A extensão de Pipelines de IA do EDB Postgres é um exemplo de como o Postgres está desempenhando um papel fundamental na formação da parte de “gerenciamento de dados” da história da aplicação de IA. Simplificando o processamento de dados com pipelines automatizados para buscar dados do Postgres ou armazenamento de objetos, gerar incorporações de vetores como novos dados são ingeridos e acionar atualizações de incorporações quando os dados de origem mudam – significando dados sempre atualizados para consulta e recuperação sem manutenção tediosa.

Quais são as inovações ou desenvolvimentos que podemos esperar do Postgres no futuro próximo, especialmente à medida que a IA continua a evoluir e exigir mais da infraestrutura de dados?

O banco de dados vetorial de forma alguma é um artigo concluído, e mais desenvolvimentos e melhorias são esperados à medida que a utilização e a dependência da tecnologia de banco de dados vetorial continuam a crescer. A comunidade PostgreSQL continua a inovar nesse espaço, buscando métodos para melhorar a indexação para permitir critérios de pesquisa mais complexos, juntamente com o progresso da própria capacidade do pgvector.

Como o Postgres, especialmente com as ofertas da EDB, está atendendo à necessidade de implantações de multi-nuvem e nuvem híbrida, e por que essa flexibilidade é importante para empresas impulsionadas por IA?

Um estudo recente da EDB mostra que 56% das empresas agora implantam cargas de trabalho críticas em um modelo híbrido, destacando a necessidade de soluções que suportem tanto a agilidade quanto a soberania dos dados. O Postgres, com as melhorias da EDB, fornece a flexibilidade essencial para ambientes de multi-nuvem e nuvem híbrida, capacitando as empresas impulsionadas por IA a gerenciar seus dados com flexibilidade e controle.

O EDB Postgres AI traz agilidade em nuvem e observabilidade para ambientes híbridos com controle soberano. Essa abordagem permite que as empresas controlem a gestão de modelos de IA, ao mesmo tempo que simplificam as cargas de trabalho transacionais, analíticas e de IA em ambientes de nuvem híbrida ou multi-nuvem. Ao permitir a portabilidade de dados, o controle de TCO granular e uma experiência semelhante à nuvem em uma variedade de infraestruturas, a EDB apoia as empresas impulsionadas por IA na realização de respostas mais rápidas e ágeis às demandas de dados complexas.

À medida que a IA se torna mais integrada aos sistemas empresariais, como o Postgres apoia a governança de dados, a privacidade e a segurança, particularmente no contexto de lidar com dados sensíveis para modelos de IA?

À medida que a IA se torna tanto um canto de operação quanto um diferenciador competitivo, as empresas enfrentam uma pressão crescente para salvaguardar a integridade dos dados e cumprir rigorosos padrões de conformidade. Esse cenário em evolução coloca a soberania dos dados no centro – onde uma governança estrita, segurança e visibilidade não são apenas prioridades, mas pré-requisitos. As empresas precisam saber e ter certeza de onde seus dados estão e para onde estão indo.

O Postgres se destaca como a espinha dorsal para ambientes de dados prontos para IA, oferecendo capacidades avançadas para gerenciar dados sensíveis em configurações híbridas e de multi-nuvem. Sua base de código aberto significa que as empresas se beneficiam de uma inovação constante, enquanto as melhorias da EDB garantem o cumprimento de padrões de segurança de nível empresarial, controles de acesso granulares e observabilidade profunda – chaves para lidar com dados de IA de forma responsável. As capacidades de IA Soberana da EDB se baseiam nessa postura, focando em trazer a capacidade de IA para os dados, facilitando assim o controle sobre para onde esses dados estão se movendo e de onde vêm.

O que torna o EDB Postgres singularmente capaz de dimensionar cargas de trabalho de IA enquanto mantém alta disponibilidade e desempenho, especialmente para aplicações críticas?

O EDB Postgres AI ajuda a elevar a infraestrutura de dados a um ativo tecnológico estratégico, trazendo sistemas analíticos e de IA mais próximos dos dados operacionais e transacionais dos clientes – tudo gerenciado por meio do Postgres. Ele fornece a fundação da plataforma de dados para aplicativos de IA, reduzindo a complexidade da infraestrutura, otimizando a eficiência de custo e atendendo aos requisitos de soberania de dados, desempenho e segurança das empresas.

Uma plataforma de dados elegante para operadores modernos, desenvolvedores, engenheiros de dados e construtores de aplicações de IA que exigem uma solução comprovada para suas cargas de trabalho críticas, permitindo o acesso a capacidades analíticas e de IA enquanto usam o sistema de banco de dados operacional central da empresa.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar EDB.