Джереми Келвей, вице-президент по инженерии аналитики, данных и ИИ в EDB – Интервью

Джереми (Джефф) Келвей является вице-президентом по инженерии в EDB, базирующейся в Тихоокеанском Северо-Западе, США. Он возглавляет команду, которая занимается разработкой решений на основе Postgres для аналитики и ИИ. С опытом в управлении Database-as-a-Service (DBaaS), операционным руководством и инновационной технологической доставке, Джефф имеет прочный опыт в продвижении достижений в области новых технологий.

EDB поддерживает PostgreSQL, чтобы соответствовать бизнес-приоритетам, обеспечивая разработку облачных приложений, экономически эффективную миграцию из устаревших баз данных и гибкую установку в гибридных средах. С растущим пулом талантов и прочной производительностью, EDB обеспечивает безопасность, надежность и превосходный опыт для критически важных приложений.

Почему Postgres все чаще становится базой данных для создания приложений генеративного ИИ, и какие ключевые особенности делают его подходящим для этой развивающейся области?

С почти 75% американских компаний, принимающих ИИ, эти бизнесы требуют фундаментальной технологии, которая позволит им быстро и легко получить доступ к их изобилию данных и полностью принять ИИ. Именно здесь на сцену выходит Postgres.

Postgres, возможно, является идеальным техническим примером долговечной технологии, которая вновь обрела популярность с большей актуальностью в эпоху ИИ, чем когда-либо прежде. С прочной архитектурой, родной поддержкой нескольких типов данных и расширяемостью по конструкции, Postgres является идеальным кандидатом для предприятий, стремящихся использовать ценность своих данных для готовых к производству ИИ в суверенной и безопасной среде.

На протяжении 20 лет существования EDB или более 30 лет существования технологии Postgres, отрасль прошла через эволюции, сдвиги и инновации, и на протяжении всего этого времени пользователи продолжают “просто использовать Postgres”, чтобы решить свои наиболее сложные проблемы с данными.

Как используется Retrieval-Augmented Generation (RAG) сегодня, и как вы видите его влияние на будущее “Интеллектуальной экономики”?

Потоки RAG набирают значительную популярность и импульс, и это вполне обоснованно! Когда они рассматриваются в контексте “Интеллектуальной экономики”, потоки RAG обеспечивают доступ к информации способами, которые облегчают человеческий опыт, экономя время путем автоматизации и фильтрации данных и информации, которые в противном случае потребовали бы значительных ручных усилий и времени для создания. Повышенная точность шага “поиска” (Retrieval) в сочетании с возможностью добавления конкретного контента к более широко обученной модели LLM предлагает множество возможностей для ускорения и улучшения обоснованного принятия решений с помощью релевантных данных. Полезный способ подумать об этом – как если бы у вас был опытный исследовательский ассистент, который не только находит правильную информацию, но и представляет ее в контексте.

Какие наиболее значительные проблемы сталкиваются организациями при реализации RAG в производстве, и какие стратегии могут помочь решить эти проблемы?

На фундаментальном уровне, качество ваших данных является вашим дифференциатором ИИ. Точность, и в частности, сгенерированные ответы приложения RAG всегда будут зависеть от качества данных, используемых для обучения и дополнения вывода. Уровень сложности, применяемой генеративной моделью, будет менее полезен, если/где входные данные являются ошибочными, что приводит к менее подходящим и неожиданным результатам для запроса (часто называемым “галлюцинациями”). Качество ваших источников данных всегда будет ключом к успеху извлеченного контента, который питает генеративные шаги – если желаемый вывод должен быть как можно более точным, контекстные источники данных для LLM должны быть как можно более актуальными.

С точки зрения производительности; принятие активной позиции по поводу того, чего ваше приложение RAG пытается достичь, а также когда и где извлекаются данные, поможет вам понять потенциальные последствия. Например, если ваш поток RAG извлекает данные из транзакционных источников данных (т.е. постоянно обновляемых баз данных, критически важных для вашего бизнеса), мониторинг производительности этих ключевых источников данных, а также приложений, которые извлекают данные из этих источников, обеспечит понимание потенциального воздействия шагов потока RAG. Эти меры являются отличным шагом для управления любыми потенциальными или реальными последствиями для производительности критически важных транзакционных источников данных. Кроме того, эта информация также может обеспечить ценный контекст для настройки приложения RAG для фокусировки на подходящем извлечении данных.

Учитывая рост специализированных векторных баз данных для ИИ, какие преимущества предлагает Postgres по сравнению с этими решениями, особенно для предприятий, стремящихся операционализировать рабочие нагрузки ИИ?

Критически важная векторная база данных имеет возможность поддерживать требовательные рабочие нагрузки ИИ, обеспечивая при этом безопасность данных, доступность и гибкость для интеграции с существующими источниками данных и структурированной информацией. Создание решения ИИ/RAG часто использует векторную базу данных, поскольку эти приложения включают оценки сходства и рекомендации, которые работают с высокоразмерными данными. Векторные базы данных служат эффективным и эффективным источником данных для хранения, управления и извлечения этих критически важных конвейеров данных.

Как EDB Postgres обрабатывает сложности управления векторными данными для ИИ, и какие ключевые преимущества интеграции рабочих нагрузок ИИ в среду Postgres?

Хотя Postgres не имеет родной векторной возможности, pgvector – это расширение, которое позволяет хранить ваши векторные данные рядом с остальными вашими данными в Postgres. Это позволяет предприятиям использовать векторные возможности вместе с существующими структурами баз данных, упрощая управление и развертывание приложений ИИ путем снижения необходимости в отдельных хранилищах данных и сложных передачах данных.

Как Postgres помогает организациям упростить свои конвейеры данных и разблокировать более быстрые идеи без добавления сложности?

Эти конвейеры данных по сути обеспечивают топливом для приложений ИИ. С множеством форматов хранения данных, мест и типов данных, сложности того, как достигается фаза извлечения, быстро становятся ощутимым вызовом, особенно когда приложения ИИ переходят из концепции доказательства в производство.

Расширение EDB Postgres AI Pipelines является примером того, как Postgres играет ключевую роль в формировании “части управления данными” истории приложений ИИ. Упрощая обработку данных с автоматическими конвейерами для извлечения данных из Postgres или объектного хранилища, генерации векторных вложений при поступлении новых данных и запуска обновлений вложений при изменении исходных данных – это означает всегда актуальные данные для запроса и извлечения без утомительной поддержки.

Какие инновации или разработки можно ожидать от Postgres в ближайшем будущем, особенно когда ИИ продолжает эволюционировать и требовать больше от инфраструктуры данных?

Векторная база данных еще не является законченной статьей, дальнейшее развитие и совершенствование ожидается, поскольку использование и зависимость от технологии векторной базы данных продолжают расти. Сообщество PostgreSQL продолжает инновации в этом пространстве, ищет методы для улучшения индексирования для более сложных критериев поиска, а также прогресса самой возможности pgvector.

Как Postgres, особенно с предложениями EDB, поддерживает необходимость в многооблачных и гибридных облачных развертываниях, и почему эта гибкость важна для предприятий, управляемых ИИ?

Недавнее исследование EDB показывает, что 56% предприятий теперь развертывают критически важные рабочие нагрузки в гибридной модели, подчеркивая необходимость решений, которые поддерживают как гибкость, так и суверенитет данных. Postgres, с улучшениями EDB, обеспечивает необходимую гибкость для многооблачных и гибридных облачных сред, наделяя предприятия, управляемые ИИ, возможностью управлять своими данными как с гибкостью, так и с контролем.

EDB Postgres AI обеспечивает облачную гибкость и наблюдаемость в гибридных средах с суверенным контролем. Этот подход позволяет предприятиям контролировать управление моделями ИИ, а также упрощать транзакционные, аналитические и рабочие нагрузки ИИ в гибридных или многооблачных средах. Обеспечивая переносимость данных, контроль над общими затратами и облачный опыт на различных инфраструктурах, EDB поддерживает предприятия, управляемые ИИ, в реализации более быстрых и гибких ответов на сложные требования к данным.

Как Postgres поддерживает управление данными, конфиденциальность и безопасность, особенно в контексте обработки конфиденциальных данных для моделей ИИ?

По мере того, как ИИ становится все более встроенным в корпоративные системы, предприятия сталкиваются с возрастающим давлением, чтобы защитить целостность данных и соблюдать строгие стандарты соответствия. Эта эволюционирующая ландшафт ставит суверенитет данных на первый план – где строгое управление, безопасность и прозрачность не только приоритеты, но и предпосылки. Бизнесу нужно знать и быть уверенным в том, где находятся их данные и куда они движутся.

Postgres отличается как основа для среды ИИ, готовой к данным, предлагая передовые возможности для управления конфиденциальными данными в гибридных и многооблачных настройках. Его открытая основа означает, что предприятия пользуются постоянными инновациями, а улучшения EDB обеспечивают соблюдение стандартов безопасности класса предприятия, гранулярный контроль доступа и глубокую наблюдаемость – ключевые для ответственного обращения с данными ИИ. Возможности суверенного ИИ EDB строятся на этом положении, сосредотачиваясь на привлечении возможностей ИИ к данным, тем самым облегчая контроль над тем, куда движутся эти данные, и откуда они берутся.

Что делает EDB Postgres уникально способным масштабировать рабочие нагрузки ИИ, сохраняя при этом высокую доступность и производительность, особенно для критически важных приложений?

EDB Postgres AI помогает возвысить инфраструктуру данных до стратегического технологического актива, приближая аналитические и системы ИИ к основным операционным и транзакционным данным клиентов – все это управляется через Postgres. Он обеспечивает основу платформы данных для приложений ИИ, снижая сложность инфраструктуры, оптимизируя эффективность затрат и соответствуя требованиям предприятия для суверенитета данных, производительности и безопасности.

Элегантная платформа данных для современных операторов, разработчиков, инженеров данных и создателей приложений ИИ, которым требуется проверенное решение для своих критически важных рабочих нагрузок, позволяющее получить доступ к возможностям аналитики и ИИ, используя основную операционную систему базы данных предприятия.

Благодарим за отличное интервью, читателям, которые хотят узнать больше, следует посетить EDB.