Jeremy Kelway, VP de Engenharia para Análise, Dados e Inteligência Artificial 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 fornecer soluções de análise e inteligência artificial 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 aplicativos nativos em nuvem, a migração econômica de bancos de dados legados e a implantação flexível em ambientes híbridos. Com um pool de talentos em crescimento e desempenho robusto, a EDB garante segurança, confiabilidade e experiências de cliente superiores para aplicações críticas.

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

Com quase 75% das empresas dos EUA adotando a inteligência artificial, essas empresas necessitam de uma tecnologia fundamental que permita acessar rapidamente e facilmente seus dados abundantes e abraçar totalmente a inteligência artificial. É aqui que entra o Postgres.

O Postgres é talvez o exemplo técnico perfeito de uma tecnologia duradoura que ressurgiu em popularidade com maior relevância na era da inteligência artificial do que nunca. Com 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 inteligência artificial pronta para 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, ao longo de tudo isso, os usuários continuam a “usar apenas o Postgres” para lidar com seus desafios de dados mais complexos.

Como a Geração Aumentada por Recuperação (RAG) está sendo aplicada hoje, e como você vê que ela moldará o futuro da “Economia Inteligente”?

Os fluxos de RAG estão ganhando popularidade e impulso significativos, e com razão! Quando enquadrados no contexto da “Economia Inteligente”, os fluxos de 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 esforço e tempo manual significativos para serem criados. A precisão aumentada da etapa de “busca” (Recuperação) combinada com a capacidade de adicionar conteúdo específico a um LLM mais amplamente treinado oferece uma rica oportunidade de acelerar e aprimorar 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 forma que se ajuste ao contexto.

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

No nível fundamental, a qualidade dos seus dados é o seu diferencial de inteligência artificial. A precisão das respostas geradas de uma aplicação RAG sempre será submetida à qualidade dos dados usados 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 (frequentemente referidos como “alucinações”). A qualidade das suas fontes de dados sempre será fundamental para o sucesso do conteúdo recuperado que alimenta os passos gerativos — se a saída desejada for tão precisa quanto possível, as fontes de dados contextuais para o LLM precisarão estar atualizadas o máximo possível.

Do ponto de vista do desempenho; adotar uma postura proativa sobre o que a aplicação RAG está tentando alcançar — juntamente com quando e onde os dados estão sendo recuperados — posicionará você bem para entender os impactos potenciais. Por exemplo, se o fluxo de RAG estiver recuperando dados de fontes de dados transacionais (ou seja, bancos de dados constantemente atualizados críticos para o seu negócio), monitorar o desempenho dessas fontes de dados críticas, juntamente com as aplicações que estão tirando dados dessas fontes, fornecerá compreensão sobre o impacto dos passos do fluxo de RAG. Essas medidas são um excelente passo para gerenciar quaisquer implicações potenciais ou em tempo real para o 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 inteligência artificial, quais são as vantagens que o Postgres oferece sobre essas soluções, particularmente para empresas que buscam operacionalizar cargas de trabalho de inteligência artificial?

Um banco de dados vetorial de missão crítica tem a capacidade de suportar cargas de trabalho de inteligência artificial exigentes, garantindo segurança de dados, disponibilidade e flexibilidade para integrar com fontes de dados existentes e informações estruturadas. A construção de uma solução de inteligência artificial/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 Postgres da EDB lida com as complexidades de gerenciar dados vetoriais para inteligência artificial, e quais são os principais benefícios de integrar cargas de trabalho de inteligência artificial em um ambiente Postgres?

Embora o Postgres não tenha capacidade vetorial nativa, o pgvector é uma extensão que permite armazenar seus dados vetoriais ao lado do resto dos seus dados no Postgres. Isso permite que as empresas aproveitem as capacidades vetoriais ao lado das estruturas de banco de dados existentes, simplificando o gerenciamento e a implantação de aplicações de inteligência artificial, reduzindo a necessidade de armazenamentos de dados separados e transferências de dados complexas.

Ao se tornar um jogador central tanto em cargas de trabalho transacionais quanto analíticas, como o Postgres 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 inteligência artificial. Com os vários formatos de armazenamento de dados, locais e tipos de dados, as complexidades de como a etapa de recuperação é alcançada rapidamente se tornam um desafio tangível, particularmente à medida que as aplicações de inteligência artificial se movem do conceito para a produção.

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

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

O banco de dados vetorial de forma alguma é um artigo concluído; desenvolvimentos e melhorias adicionais 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 pgvector.

Como o Postgres, especialmente com as ofertas da EDB, está apoiando a necessidade de implantações híbridas e multi-nuvem, e por que essa flexibilidade é importante para empresas impulsionadas por inteligência artificial?

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 de dados. O Postgres, com as melhorias da EDB, fornece a flexibilidade essencial para ambientes de nuvem híbrida e multi-nuvem, permitindo que as empresas impulsionadas por inteligência artificial gerenciem seus dados com flexibilidade e controle.

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

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

À medida que a inteligência artificial se torna tanto uma pedra angular operacional quanto um diferenciador competitivo, as empresas enfrentam uma pressão crescente para salvaguardar a integridade dos dados e manter padrões de conformidade rigorosos. Esse cenário em evolução coloca a soberania de dados no centro — onde 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 inteligência artificial, oferecendo capacidades avançadas para gerenciar dados sensíveis em configurações híbridas e multi-nuvem. Sua base de código aberto significa que as empresas se beneficiam de inovações constantes, enquanto as melhorias da EDB garantem a adesão a segurança de nível empresarial, controles de acesso granulares e observabilidade profunda — chaves para lidar com dados de inteligência artificial de forma responsável. As capacidades de Inteligência Artificial Soberana da EDB se baseiam nessa postura, focando em trazer a capacidade de inteligência artificial para os dados, facilitando assim o controle sobre para onde esses dados estão se movendo e de onde vêm.

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

O Postgres da EDB para IA ajuda a elevar a infraestrutura de dados a um ativo tecnológico estratégico, trazendo sistemas analíticos e de inteligência artificial mais próximos dos dados operacionais e transacionais centrais dos clientes — tudo gerenciado por meio do Postgres. Ele fornece a base da plataforma de dados para aplicativos impulsionados por inteligência artificial, 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 inteligência artificial que exigem uma solução comprovada para suas cargas de trabalho críticas, permitindo o acesso a capacidades de análise e inteligência artificial enquanto usam o sistema de banco de dados operacional central da empresa.

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