เจเรมี เคลเวย์ รองประธานฝ่ายวิศวกรรมสำหรับ Analytics, Data และ AI ที่ EDB – สัมภาษณ์ซีรีส์

เจเรมี (เจซ) เคลเวย์ เป็นรองประธานฝ่ายวิศวกรรมที่ EDB ซึ่งตั้งอยู่ในแปซิฟิกตะวันตกเฉียงเหนือ สหรัฐอเมริกา เขาเป็นผู้นำทีมที่มุ่งเน้นในการส่งมอบโซลูชัน Postgres-based สำหรับการวิเคราะห์และ AI โดยมีประสบการณ์ในด้าน Database-as-a-Service (DBaaS) การจัดการ ความเป็นผู้นำเชิงปฏิบัติการ และการนำเสนอนวัตกรรมใหม่ๆ เจซมีพื้นฐานที่แข็งแกร่งในการขับเคลื่อนความก้าวหน้าในเทคโนโลยีที่เกิดขึ้นใหม่

EDB สนับสนุน PostgreSQL เพื่อจัดตำแหน่งกับลำดับความสำคัญทางธุรกิจ ทำให้สามารถพัฒนาแอปพลิเคชันแบบคลาวด์native ได้ การย้ายข้อมูลจากฐานข้อมูลที่มีอยู่เดิมแบบมีประสิทธิภาพ และการนำไปใช้งานที่ยืดหยุ่นในหลายสภาพแวดล้อม โดยมีทีมงานที่มีความสามารถและประสิทธิภาพที่ดี EDB จึงสามารถให้ความปลอดภัย ความน่าเชื่อถือ และประสบการณ์ของลูกค้าที่เหนือกว่าสำหรับแอปพลิเคชันที่สำคัญต่อภารกิจ

ทำไม Postgres จึงกลายเป็นฐานข้อมูลที่ถูกเลือกสำหรับการสร้างแอปพลิเคชัน AI ที่สร้างข้อมูลใหม่ และคุณลักษณะหลักๆ ที่ทำให้มันเหมาะสมสำหรับภูมิทัศน์ที่เปลี่ยนแปลงนี้คืออะไร?

โดยมี เกือบ 75% ของบริษัทในสหรัฐอเมริกาที่นำ AI ไปใช้ ธุรกิจเหล่านี้ต้องการเทคโนโลยีฐานที่จะช่วยให้พวกเขาเข้าถึงข้อมูลของตนได้อย่างรวดเร็วและง่ายดาย และใช้ AI ได้อย่างเต็มที่ นี่คือจุดที่ Postgres เข้ามา

Postgres อาจเป็นตัวอย่างทางเทคนิคที่ดีที่สุดของเทคโนโลยีที่คงอยู่และกลับมามีความสำคัญอีกครั้งในช่วง AI มากกว่าที่เคยเป็นมา ด้วยโครงสร้างที่แข็งแกร่ง การสนับสนุนแบบเนทีฟสำหรับหลายประเภทข้อมูล และการออกแบบที่สามารถขยายได้ Postgres จึงเป็นตัวเลือกที่ดีสำหรับองค์กรที่ต้องการใช้คุณค่าของข้อมูลสำหรับ AI ที่พร้อมสำหรับการผลิตใน環境ที่มีความมั่นคงและปลอดภัย

ในช่วง 20 ปีที่ EDB มีอยู่ หรือมากกว่า 30 ปีที่ Postgres เป็นเทคโนโลยี อุตสาหกรรมได้เปลี่ยนแปลงผ่านการเปลี่ยนแปลงและนวัตกรรม และผู้ใช้继续 “ใช้ Postgres” เพื่อแก้ไขปัญหาข้อมูลที่ซับซ้อนมากที่สุด

การ Retrieval-Augmented Generation (RAG) ถูกนำไปใช้อย่างไรในปัจจุบัน และคุณเห็นว่ามันจะส่งผลต่ออนาคตของ “เศรษฐกิจอัจฉริยะ” อย่างไร?

กระแสการทำงาน RAG กำลังได้รับความนิยมและแรงผลักดันอย่างมาก และมีเหตุผลที่ดี! เมื่อถูกวางในบริบทของ ‘เศรษฐกิจอัจฉริยะ’ กระแสการทำงาน RAG ช่วยให้สามารถเข้าถึงข้อมูลได้อย่างง่ายดาย ซึ่งอำนวยความสะดวกในการใช้งานของมนุษย์ โดยการประหยัดเวลาในการทำงานอัตโนมัติและกรองข้อมูลและข้อมูลที่ออกมา ซึ่งจะช่วยให้การตัดสินใจที่มีข้อมูลที่เกี่ยวข้องและแม่นยำยิ่งขึ้น

อะไรคือความท้าทายที่สำคัญที่สุดที่องค์กรต้องเผชิญเมื่อนำ RAG ไปใช้ในการผลิต และกลยุทธ์ใดที่สามารถช่วยแก้ไขความท้าทายเหล่านี้?

ในระดับพื้นฐาน คุณภาพของข้อมูลคือปัจจัยที่แตกต่างของ AI คุณสมบัติและความแม่นยำของ RAG จะขึ้นอยู่กับคุณภาพของข้อมูลที่ใช้ในการฝึกอบรมและเพิ่มเติม หากข้อมูลที่ใช้ในการฝึกอบรมมีข้อบกพร่อง จะทำให้ผลลัพธ์ที่ได้ไม่เหมาะสมและไม่คาดคิด ซึ่งอาจทำให้เกิด ‘ภาพหลอน’ ขึ้นมา คุณภาพของแหล่งข้อมูลจึงเป็นกุญแจสำคัญในการนำ RAG ไปใช้

จากมุมมองของประสิทธิภาพ การใช้กระบวนการ RAG ที่มีการวางแผนและเตรียมการล่วงหน้าจะช่วยให้คุณเข้าใจถึงผลกระทบที่อาจเกิดขึ้น ตัวอย่างเช่น หากกระบวนการ RAG ของคุณกำลังดึงข้อมูลจากแหล่งข้อมูลที่มีการอัปเดตอย่างต่อเนื่อง (เช่น ฐานข้อมูลที่สำคัญต่อธุรกิจ) การติดตามประสิทธิภาพของแหล่งข้อมูลเหล่านี้และแอปพลิเคชันที่ดึงข้อมูลจากแหล่งข้อมูลเหล่านี้จะช่วยให้คุณเข้าใจถึงผลกระทบที่อาจเกิดขึ้น

เมื่อเทียบกับฐานข้อมูลเวกเตอร์ที่มีเฉพาะจุดสำหรับ AI Postgres มีข้อดีอะไรบ้าง และข้อดีเหล่านี้มีความสำคัญต่อองค์กรที่ต้องการใช้ AI ในการทำงานจริง?

ฐานข้อมูลเวกเตอร์ที่มีความสำคัญต่อ AI มีความสามารถในการรองรับงาน AI ที่ต้องการมาก ขณะเดียวกันก็รับประกันความปลอดภัย ความพร้อมใช้งาน และความยืดหยุ่นในการรวมเข้ากับแหล่งข้อมูลและข้อมูลที่มีโครงสร้างที่มีอยู่แล้ว การสร้างโซลูชัน AI/RAG มักจะใช้ฐานข้อมูลเวกเตอร์ เนื่องจากแอปพลิเคชันเหล่านี้เกี่ยวข้องกับการประเมินความคล้ายคลึงและคำแนะนำที่ทำงานกับข้อมูลมิติสูง

EDB Postgres จัดการกับความซับซ้อนของการบริหารจัดการข้อมูลเวกเตอร์สำหรับ AI อย่างไร และข้อดีหลักๆ ของการรวมงาน AI เข้ากับสภาพแวดล้อม Postgres คืออะไร?

แม้ว่า Postgres จะไม่มีความสามารถเวกเตอร์แบบเนทีฟ แต่ pgvector เป็น 익ステนชั่นที่ช่วยให้คุณสามารถจัดเก็บข้อมูลเวกเตอร์ของคุณข้างๆ ข้อมูลอื่นๆ ใน Postgres ซึ่งช่วยให้องค์กรสามารถใช้ความสามารถเวกเตอร์พร้อมกับโครงสร้างฐานข้อมูลที่มีอยู่แล้ว ทำให้การจัดการและนำไปใช้งานของแอปพลิเคชัน AI ง่ายขึ้นโดยการลดความจำเป็นในการจัดเก็บข้อมูลแยกและโอนย้ายข้อมูลที่ซับซ้อน

Postgres ช่วยให้องค์กรสามารถจัดระเบียบการทำงานข้อมูลและปลดล็อกข้อมูลเชิงลึกได้อย่างไร โดยไม่เพิ่มความซับซ้อน?

การทำงานข้อมูลเหล่านี้เป็นเชื้อเพลิงสำหรับแอปพลิเคชัน AI ด้วยรูปแบบการเก็บข้อมูลหลายรูปแบบ ที่ตั้ง และประเภทข้อมูล ความซับซ้อนในการเข้าถึงข้อมูลอย่างรวดเร็วจึงกลายเป็นความท้าทายที่แท้จริง โดยเฉพาะอย่างยิ่งเมื่อแอปพลิเคชัน AI เคลื่อนจากขั้นตอน Proof-of-Concept ไปสู่การผลิต

EDB Postgres AI Pipelines เป็นตัวอย่างของวิธีที่ Postgres มีบทบาทสำคัญในการกำหนด ‘การบริหารจัดการข้อมูล’ สำหรับเรื่องราวของแอปพลิเคชัน AI โดยการทำให้กระบวนการประมวลผลข้อมูลง่ายขึ้นด้วยการสร้างพายพайป์ไลน์อัตโนมัติสำหรับการดึงข้อมูลจาก Postgres หรือจัดเก็บวัตถุ การสร้างเวกเตอร์เมื่อมีข้อมูลใหม่เข้ามา และการอัปเดตเวกเตอร์เมื่อมีการเปลี่ยนแปลงข้อมูลต้นกำเนิด

อะไรคือนวัตกรรมหรือการพัฒนาที่เราคาดหวังได้จาก Postgres ในอนาคตอันใกล้ โดยเฉพาะอย่างยิ่งเมื่อ AI ต้องการมากขึ้นจากโครงสร้างพื้นฐานข้อมูล?

ฐานข้อมูลเวกเตอร์ไม่ใช่เรื่องที่เสร็จสิ้นแล้ว และการพัฒนาเพิ่มเติมคาดว่าจะเกิดขึ้นเมื่อการใช้และพึ่งพาเทคโนโลยีฐานข้อมูลเวกเตอร์เติบโตขึ้น ชุมชน PostgreSQL ยังคงสร้างสรรค์นวัตกรรมในพื้นที่นี้ โดยการปรับปรุงการเข้าถึงข้อมูลที่ซับซ้อนมากขึ้นพร้อมกับการพัฒนาความสามารถ pgvector

Postgres โดยเฉพาะอย่างยิ่งด้วยการนำเสนอของ EDB ช่วยให้องค์กรสามารถจัดการกับความต้องการในการใช้งานหลายคลาวด์และไฮบริดคลาวด์ได้อย่างไร และความยืดหยุ่นนี้มีความสำคัญต่อองค์กรที่ขับเคลื่อนด้วย AI อย่างไร?

การศึกษาของ EDB ล่าสุดแสดงให้เห็นว่า 56% ขององค์กรนำงานสำคัญไปใช้ในรูปแบบไฮบริด ซึ่งเน้นย้ำถึงความจำเป็นในการมีวิธีแก้ปัญหาที่รองรับทั้งความยืดหยุ่นและความเป็นส่วนตัวของข้อมูล Postgres โดยมีการปรับปรุงของ EDB จึงให้ความยืดหยุ่นที่จำเป็นสำหรับสภาพแวดล้อมหลายคลาวด์และไฮบริด ทำให้องค์กรที่ขับเคลื่อนด้วย AI สามารถจัดการข้อมูลด้วยความยืดหยุ่นและควบคุมได้

EDB Postgres AI นำความยืดหยุ่นของคลาวด์และการตรวจสอบไปยังสภาพแวดล้อมไฮบริดพร้อมการควบคุมที่มี chủ quyền วิธีการนี้ช่วยให้องค์กรสามารถควบคุมการบริหารจัดการโมเดล AI และทำให้การทำงานของธุรกรรม การวิเคราะห์ และ AI ทั่วทั้งสภาพแวดล้อมหลายคลาวด์หรือไฮบริดง่ายขึ้น โดยการทำให้ข้อมูลสามารถย้ายได้ การควบคุม TCO ที่ละเอียด และประสบการณ์คลาวด์บนโครงสร้างพื้นฐานที่หลากหลาย EDB จึงช่วยให้องค์กรที่ขับเคลื่อนด้วย AI สามารถตอบสนองต่อความต้องการข้อมูลที่ซับซ้อนได้อย่างรวดเร็วและยืดหยุ่น

เมื่อ AI กลายเป็นส่วนหนึ่งของระบบองค์กรมากขึ้น Postgres ช่วยให้องค์กรสามารถจัดการกับการกำกับดูแลข้อมูล ความเป็นส่วนตัว และความปลอดภัยได้อย่างไร โดยเฉพาะอย่างยิ่งในบริบทของการรับมือกับข้อมูลที่มีความละเอียดอ่อนสำหรับ AI?

เมื่อ AI กลายเป็นรากฐานการทำงานและตัวแปรที่แตกต่างสำหรับองค์กร องค์กรเหล่านั้นต้องเผชิญกับความกดดันที่เพิ่มขึ้นในการรักษาความสมบูรณ์ของข้อมูลและยึดมั่นในมาตรฐานการปฏิบัติที่เข้มงวด โลกที่เปลี่ยนแปลงนี้ทำให้ความเป็นส่วนตัวของข้อมูลเป็นศูนย์กลาง โดยที่การกำกับดูแลที่เข้มงวด ความปลอดภัย และความสามารถในการมองเห็นไม่ใช่แค่จุดมุ่งหมาย แต่เป็นข้อกำหนดเบื้องต้น องค์กรต้องการทราบและแน่ใจว่าข้อมูลของตนอยู่ที่ไหนและจะไปที่ไหน

อะไรคือสิ่งที่ทำให้ EDB Postgres มีความสามารถพิเศษในการปรับขนาดงาน AI โดยรักษาความพร้อมใช้งานและประสิทธิภาพสูง โดยเฉพาะสำหรับแอปพลิเคชันที่สำคัญต่อภารกิจ?

EDB Postgres AI ช่วยให้โครงสร้างพื้นฐานข้อมูลกลายเป็นสินทรัพย์ทางเทคนิคเชิงกลยุทธ์โดยการนำระบบวิเคราะห์และ AI มาใกล้กับข้อมูลการทำงานและธุรกรรมหลักของลูกค้า ทั้งหมดนี้จัดการผ่าน Postgres โดยการลดความซับซ้อนของโครงสร้างพื้นฐาน การเพิ่มประสิทธิภาพด้านต้นทุน และการตอบสนองความต้องการขององค์กรสำหรับความเป็นส่วนตัวของข้อมูล ประสิทธิภาพ และความปลอดภัย

EDB Postgres AI เป็นแพลตฟอร์มข้อมูลที่เหมาะสำหรับแอปพลิเคชัน AI โดยการลดความซับซ้อนของโครงสร้างพื้นฐาน การเพิ่มประสิทธิภาพด้านต้นทุน และการรับประกันความเป็นส่วนตัวของข้อมูล ประสิทธิภาพ และความปลอดภัย

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม EDB เพื่อเรียนรู้เพิ่มเติม