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

Jeremy (Jezz) Kelway är vice VD för teknik på EDB, med bas i Pacific Northwest, USA. Han leder ett team som fokuserar på att leverera Postgres-baserade lösningar för analytics och AI. Med erfarenhet av Database-as-a-Service (DBaaS)-hantering, operativ ledning och innovativ teknikutveckling har Jezz en stark bakgrund inom att driva framsteg inom nya teknologier.

EDB stödjer PostgreSQL för att anpassa sig till företagsprioriteringar, vilket möjliggör utveckling av molnbaserade applikationer, kostnadseffektiv migrering från äldre databaser och flexibel distribution i hybridmiljöer. Med en växande talangpool och robust prestanda säkerställer EDB säkerhet, tillförlitlighet och överlägsen kundupplevelse för företagskritiska applikationer.

Varför blir Postgres alltmer det föredragna databasalternativet för att bygga generativa AI-applikationer, och vilka nyckelfunktioner gör det lämpligt för denna utvecklande landskap?

Med nästan 75% av amerikanska företag som antar AI, kräver dessa företag en grundläggande teknik som möjliggör snabb och enkel åtkomst till deras rikliga data och fullt utnyttjande av AI. Här kommer Postgres in.

Postgres är kanske det perfekta tekniska exemplet på en bestående teknik som har återuppstått i popularitet med större relevans i AI-eran än någonsin tidigare. Med robust arkitektur, nativt stöd för flera datatyper och utbyggnadsbarhet som designprincip är Postgres en primär kandidat för företag som vill utnyttja värdet av sin data för produktionsklara AI i en suverän och säker miljö.

Under de 20 år som EDB har funnits, eller de 30+ år som Postgres som teknik har funnits, har branschen genomgått evolutioner, skiftningar och innovationer, och genom allt detta fortsätter användarna att “bara använda Postgres” för att hantera sina mest komplexa datautmaningar.

Hur tillämpas Retrieval-Augmented Generation (RAG) idag, och hur ser du att det formar framtiden för den “Intelligenta Ekonomins” framtid?

RAG-flöden vinner alltmer popularitet och momentum, och det med goda skäl! När det ramas in i sammanhanget av den “Intelligenta Ekonomins” möjliggör RAG-flöden åtkomst till information på sätt som underlättar den mänskliga upplevelsen, sparar tid genom att automatisera och filtrera data och informationsutdata som annars skulle kräva betydande manuell ansträngning och tid för att skapas. Den ökade precisionen i “sök”-steget (Retrieval) i kombination med möjligheten att lägga till specifik innehåll i en mer omfattande utbildad LLM erbjuder en mängd möjligheter att accelerera och förbättra informerat beslutsfattande med relevant data. Ett användbart sätt att tänka på detta är som om du har en skicklig forskningsassistent som inte bara hittar rätt information utan också presenterar den på ett sätt som passar sammanhanget.

Vilka är några av de mest betydande utmaningarna som organisationer står inför när de implementerar RAG i produktion, och vilka strategier kan hjälpa till att hantera dessa utmaningar?

På den grundläggande nivån är er datakvalitet er AI-differentierare. Precisionen i, och särskilt de genererade svaren från, en RAG-applikation kommer alltid att bero på kvaliteten på data som används för att träna och förbättra utdata. Nivån av sofistikering som tillämpas av den generativa modellen kommer att vara mindre fördelaktig om/ när indata är felaktiga, vilket leder till mindre lämpliga och oväntade resultat för frågan (ofta kallad “hallucinationer”). Kvaliteten på era datakällor kommer alltid att vara nyckeln till framgången för det återhämtade innehållet som matar de generativa stegen – om utdata önskas vara så precisa som möjligt, måste de kontextuella datakällorna för LLM vara så uppdaterade som möjligt.

Med tanke på uppkomsten av specialiserade vektordatabaser för AI, vilka fördelar erbjuder Postgres jämfört med dessa lösningar, särskilt för företag som vill operationalisera AI-arbetsbelastningar?

En kritisk vektordatabas har förmågan att stödja krävande AI-arbetsbelastningar samtidigt som den säkerställer datasäkerhet, tillgänglighet och flexibilitet för att integrera med befintliga datakällor och strukturerad information. Att bygga en AI/RAG-lösning kommer ofta att använda en vektordatabas eftersom dessa applikationer innefattar likhetsbedömningar och rekommendationer som fungerar med högdimensionella data. Vektordatabaserna fungerar som en effektiv och effektiv datakälla för lagring, hantering och återvinning för dessa kritiska datapipeliner.

Hur hanterar EDB Postgres komplexiteten i att hantera vektordata för AI, och vilka är de viktigaste fördelarna med att integrera AI-arbetsbelastningar i en Postgres-miljö?

Medan Postgres inte har native vektorfunktion, är pgvector en tillägg som möjliggör lagring av vektordata tillsammans med resten av data i Postgres. Detta möjliggör för företag att utnyttja vektorfunktioner tillsammans med befintliga databasstrukturer, vilket förenklar hanteringen och distributionen av AI-applikationer genom att minska behovet av separata databutiker och komplexa dataöverföringar.

Hur hjälper Postgres organisationer att strömlinjeforma sina datapipeliner och låsa upp snabbare insikter utan att lägga till komplexitet?

Dessa datapipeliner är i själva verket bränsle för AI-applikationer. Med de många data lagringsformaten, platserna och datatyperna, blir komplexiteten i hur återvinningsskedet uppnås snabbt en påtaglig utmaning, särskilt när AI-applikationerna flyttar från Proof-of-Concept till produktion.

EDB Postgres AI Pipelines-tillägg är ett exempel på hur Postgres spelar en nyckelroll i att forma “datahanterings”-delen av AI-applikationsberättelsen. Det förenklar datahantering med automatiserade pipeliner för att hämta data från Postgres eller objektlagring, generera vektorinbäddningar när ny data hämtas och utlösa uppdateringar av inbäddningar när källdata ändras – vilket innebär alltid uppdaterad data för fråga och återvinning utan tråkig underhåll.

Vilka innovationer eller utvecklingar kan vi förvänta oss från Postgres inom den närmaste framtiden, särskilt när AI fortsätter att utvecklas och kräver mer av datainfrastrukturen?

Vektordatabasen är på intet sätt en färdig artikel, ytterligare utveckling och förbättring förväntas när användningen och beroendet av vektordatabasteknik fortsätter att växa. PostgreSQL-samhället fortsätter att innovativa inom detta område, sökande metoder för att förbättra indexering för att tillåta mer komplexa sökkriterier tillsammans med utvecklingen av pgvector-funktionen i sig.

Hur stödjer Postgres, särskilt med EDB:s erbjudanden, behovet av multi-moln- och hybridmoln-distributioner, och varför är denna flexibilitet viktig för AI-drivna företag?

En nylig EDB-studie visar att 56% av företagen nu distribuerar företagskritiska arbetsbelastningar i en hybridmodell, vilket betonar behovet av lösningar som stödjer både agility och data-suveränitet. Postgres, med EDB:s förbättringar, erbjuder den väsentliga flexibiliteten för multi-moln- och hybridmoln-miljöer, vilket möjliggör för AI-drivna företag att hantera sin data med både flexibilitet och kontroll.

EDB Postgres AI erbjuder moln-agilitet och observabilitet till hybridmiljöer med suverän kontroll. Detta tillvägagångssätt möjliggör för företag att kontrollera hanteringen av AI-modeller, samtidigt som det förenklar transaktionella, analytiska och AI-arbetsbelastningar över hybrid- eller multi-molnmiljöer. Genom att möjliggöra dataportabilitet, granulär TCO-kontroll och en moln-liknande upplevelse på en mängd olika infrastrukturer, stödjer EDB AI-drivna företag i att förverkliga snabbare, mer agile svar på komplexa datakrav.

Hur stödjer Postgres datastyrning, integritet och säkerhet, särskilt i sammanhanget av att hantera känslig data för AI-modeller?

När AI blir alltmer inbäddat i företagssystem, står företag inför ökande tryck för att säkerställa dataintegritet och upprätthålla rigorösa efterlevnadsstandarder. Detta utvecklande landskap sätter data-suveränitet i fokus – där strikt styrning, säkerhet och synlighet inte bara är prioriteringar utan förutsättningar. Företag måste veta och vara säkra på var deras data är och vart den är på väg.

Postgres utmärker sig som ryggraden för AI-beredda data-miljöer, med avancerade funktioner för att hantera känslig data över hybrid- och multi-molnmiljöer. Dess öppen källkodsgrund ger företag fördelar av konstant innovation, medan EDB:s förbättringar säkerställer efterlevnad av företagsklassad säkerhet, granulära åtkomstkontroller och djup observabilitet – nyckelfaktorer för att hantera AI-data på ett ansvarsfullt sätt. EDB:s suveräna AI-funktioner bygger på denna hållning, med fokus på att bringa AI-funktioner till data, vilket underlättar kontroll över var den data är på väg till och från.

Vad gör EDB Postgres unikt kapabelt att skala AI-arbetsbelastningar samtidigt som det upprätthåller hög tillgänglighet och prestanda, särskilt för företagskritiska applikationer?

EDB Postgres AI hjälper till att höja datainfrastrukturen till en strategisk teknisk tillgång genom att bringa analytiska och AI-system närmare kundernas kärnoperativa och transaktionsdata – allt hanterat via Postgres. Det erbjuder den dataplattform som krävs för AI-drivna appar genom att minska infrastrukturkomplexitet, optimera kostnadseffektivitet och uppfylla företagskrav på data-suveränitet, prestanda och säkerhet.

En elegant dataplattform för moderna operatörer, utvecklare, dataingenjörer och AI-applikationsbyggare som kräver en beprövad lösning för sina företagskritiska arbetsbelastningar, vilket möjliggör åtkomst till analytics- och AI-funktioner samtidigt som de använder företagets kärnoperativa databassystem.

Tack för det underbara intervjun, läsare som vill lära sig mer kan besöka EDB.