โมเดลและแพลตฟอร์ม AI

pgEdge เพิ่ม Jev เพื่อคัดกรองการแจ้งเตือน PostgreSQL ใน AI DBA Workbench

pgEdge เพิ่ม Jev ซึ่งเป็นโมเดลของ TypeSafe AI ลงใน Workbench รุ่นเบตาเพื่อคัดกรองการแจ้งเตือน PostgreSQL ผลการทดสอบจากผู้ให้บริการแสดงให้เห็นถึงความเร็วและการประหยัดค่าใช้จ่าย แต่ยังไม่ได้ยืนยันความแม่นยำ

Theo Nash
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
Database operations engineer at a workstation beside server racks.
ประเด็นสำคัญpgEdge…
ดูเพิ่มเติม
  • pgEdge แยกการคัดกรองการแจ้งเตือนตามความน่าจะเป็นแบบประหยัดออกจากคำอธิบายตามต้องการแบบเลือกได้ เพื่อลดสัญญาณรบกวนในการตรวจสอบ
  • Jev จำแนกความผิดปกติได้ในเวลาประมาณ 200 มิลลิวินาที เทียบกับประมาณสามวินาทีสำหรับ Claude Haiku 4.5
  • การทดสอบวัดความสอดคล้องกับการตัดสินใจของโมเดลก่อนหน้า มากกว่าว่าการแจ้งเตือนนั้นถูกต้องจริงหรือไม่

เมื่อวันที่ 19 พฤศจิกายน pgEdge ระบุว่า AI DBA Workbench แบบโอเพนซอร์สสามารถใช้ Jev ของ TypeSafe AI ตัดสินว่าความผิดปกติจากการตรวจติดตาม PostgreSQL รายการใดควรแจ้งเตือน แทนที่จะให้โมเดลภาษาขนาดใหญ่เขียนวิเคราะห์ผู้สมัครแต่ละรายการ ซอฟต์แวร์สามารถขอค่าความน่าจะเป็นจากโมเดลตัดสินใจ แล้วสร้างคำอธิบายแยกต่างหากเมื่อผู้ดูแลระบบร้องขอ ฟีเจอร์นี้เป็นตัวเลือกเสริม และรวมอยู่ใน Workbench 2.0 รุ่นเบตาที่เปิดให้ใช้งานทั่วไป

การเปลี่ยนแปลงนี้มุ่งแก้ปัญหาที่ทีมฐานข้อมูลพบซ้ำอยู่เสมอ นั่นคือค่าตัวชี้วัดอาจเบี่ยงออกจากช่วงปกติโดยไม่ได้บ่งชี้ว่าเกิดเหตุขัดข้อง การถือว่าความเบี่ยงเบนทุกรายการเป็นเรื่องเร่งด่วนทำให้เกิดการแจ้งเตือนรบกวนมากเกินไป แต่การมองข้ามมากเกินไปก็ทำให้ผู้ปฏิบัติงานไม่ทันเห็นปัญหาจริง แนวทางของ pgEdge แยกการคัดกรองสัญญาณที่เกิดขึ้นบ่อยและมีขอบเขตแคบ ออกจากงานอธิบายสิ่งที่ผู้ปฏิบัติงานควรตรวจสอบ ซึ่งเกิดขึ้นไม่บ่อยนัก

Jev ทำอะไรใน Workbench

Workbench ใช้หลายขั้นตอนในการตรวจจับและประเมินความผิดปกติ ขั้นตอนแรก ๆ จะตรวจสอบข้อมูลการเฝ้าติดตามและระบุความเบี่ยงเบนจากพฤติกรรมปกติ เฉพาะรายการที่ผ่านไปถึงขั้นตอนจัดประเภทขั้นสุดท้ายเท่านั้นที่จะถูกส่งให้โมเดลตัดสินใจซึ่งเป็นตัวเลือกเสริม Jev จะส่งกลับค่าความน่าจะเป็นว่ารายการนั้นสะท้อนปัญหาจริงหรือไม่ แทนที่จะสร้างบทวิเคราะห์เป็นลายลักษณ์อักษร ซอฟต์แวร์ใช้เกณฑ์ที่กำหนดค่าได้เพื่อตัดสินว่าจะแสดงหรือระงับการแจ้งเตือน

หากโมเดลตัดสินใจไม่สามารถส่งผลลัพธ์ที่นำไปใช้ได้ Workbench จะสลับไปใช้โมเดลให้เหตุผลที่กำหนดค่าไว้ หากไม่ได้กำหนดค่าโมเดลให้เหตุผลไว้ หรือโมเดลสำรองทำงานไม่สำเร็จเช่นกัน ระบบจะแจ้งเตือนแทนที่จะระงับการแจ้งเตือนไปอย่างเงียบ ๆ พฤติกรรมนี้ช่วยลดความเสี่ยงที่ระบบจะเข้าใจผิดว่าฐานข้อมูลทำงานปกติ ทั้งที่ผู้ให้บริการขัดข้อง อย่างไรก็ตาม วิธีนี้ไม่ได้ขจัดความเป็นไปได้ที่โมเดลจะจัดประเภทผิดในช่วงที่ผู้ให้บริการยังพร้อมใช้งาน

Workbench ยังสามารถเรียกใช้โมเดลให้เหตุผลอีกตัวเพื่ออธิบายความผิดปกติที่ถูกแจ้งเตือนตามต้องการได้ คำอธิบายที่ได้สร้างขึ้นจากข้อมูลการเฝ้าติดตามที่จัดเก็บไว้ ไม่ใช่บันทึกข้อความที่แสดงวิธีที่ Jev คำนวณคะแนน และไม่ใช่การยืนยันสาเหตุอย่างเป็นอิสระ ผู้ดูแลระบบฐานข้อมูลยังคงเป็นผู้ตัดสินใจว่าจะตรวจสอบอย่างไรและควรเปลี่ยนแปลงอะไร

ผลการทดสอบเปรียบเทียบแสดงอะไร

ในการทดสอบของ pgEdge เมื่อเดือนตุลาคม Jev ใช้เวลาจัดประเภทแต่ละรายการที่ค่ามัธยฐานประมาณ 200 มิลลิวินาที เทียบกับ Claude Haiku 4.5 ซึ่งใช้เวลาราว 3 วินาที เมื่อใช้อัตราราคาเดือนตุลาคม 2026 pgEdge ประเมินว่าการจัดประเภท 1,000 รายการมีค่าใช้จ่ายประมาณ 4 เซนต์สำหรับ Jev และ 1.93 ดอลลาร์สำหรับ Haiku นั่นหมายถึงความแตกต่างด้านเวลาแฝงในการจัดประเภทที่ค่ามัธยฐานราว 15 เท่า และความแตกต่างด้านค่าใช้จ่ายของโมเดลที่ประเมินไว้ราว 48 เท่า การเปรียบเทียบทั้งสองรายการไม่ได้วัดเวลาและค่าใช้จ่ายทั้งหมดในการเฝ้าติดตามฐานข้อมูล ซึ่งยังรวมถึงการรวบรวมข้อมูล ขั้นตอนตรวจจับก่อนหน้า และคำอธิบายเพิ่มเติมที่อาจสร้างขึ้น

การทดสอบใช้ความผิดปกติ 150 รายการที่คัดเลือกจากข้อมูลการเฝ้าติดตามเป็นเวลา 30 วัน โดยแบ่งเท่า ๆ กันระหว่างรายการที่เคยได้รับการแจ้งเตือนกับรายการที่เคยถูกระงับ Jev ให้ผลตรงกับการตัดสินใจที่จัดเก็บไว้ 89% ส่วนการเรียกใช้ Haiku ใหม่ให้ผลตรงกัน 91% ทั้งสองโมเดลเห็นตรงกันโดยตรงในผู้สมัคร 88% Jev ไม่ได้ระงับผู้สมัครรายการใดที่จัดเก็บไว้ว่าเป็นการแจ้งเตือนในตัวอย่างนี้ ส่วนกรณีที่ Jev ไม่เห็นตรงกับการตัดสินใจที่จัดเก็บไว้ ก็เป็นการแจ้งเตือนรายการที่ก่อนหน้านี้เคยถูกระงับ

การทดสอบนี้ไม่มีป้ายกำกับจากมนุษย์ ดังนั้นผลลัพธ์จึงแสดงให้เห็นว่าโมเดลเห็นตรงกับการตัดสินใจครั้งก่อนมากน้อยเพียงใด ไม่ได้บอกว่าโมเดลตัดสินใจถูกต้องหรือไม่ นอกจากนี้ ตัวอย่างที่แบ่งสัดส่วนอย่างสมดุลยังไม่อาจชี้ได้ว่าในการใช้งานจริง ผู้ปฏิบัติงานจะพบสัญญาณเตือนผิดพลาดบ่อยเพียงใด การแจ้งเตือนเพิ่มเติมที่ Jev สร้างขึ้นอาจเป็นสัญญาณที่มีประโยชน์หรือเป็นเสียงรบกวนเพิ่มก็ได้ การตอบคำถามนี้จำเป็นต้องอาศัยผลลัพธ์ของเหตุขัดข้องและการตรวจสอบโดยมนุษย์

เหตุใดการแยกการจัดประเภทออกจากการวินิจฉัยจึงสำคัญ

ทีมที่เฝ้าติดตามอินสแตนซ์ PostgreSQL จำนวนมากมีเหตุผลที่จะประเมินแนวทางนี้ แม้ผลประหยัดที่ได้จริงจะแตกต่างกันไป คะแนนความน่าจะเป็นก็เพียงพอสำหรับส่งสัญญาณบางรายการไปยังคิวเวรรับแจ้งเหตุ ส่วนคำอธิบายที่มีค่าใช้จ่ายสูงกว่าจะมีประโยชน์มากที่สุดเมื่อมีคนต้องตัดสินใจ การวัดจำนวนการแจ้งเตือนที่นำไปสู่การลงมือทำ จำนวนเหตุขัดข้องจริงที่ตรวจไม่พบ และความถี่ที่ผู้ปฏิบัติงานร้องขอคำอธิบาย จะช่วยให้ทีมมีข้อมูลประกอบการประเมินข้อแลกเปลี่ยนได้ดีกว่าการดูความเร็วในการจัดประเภทเพียงอย่างเดียว

Workbench 2.0 รุ่นเบตายังรองรับตัวเลือกโมเดลตัดสินใจของ OpenAI และ pgEdge ระบุว่าใช้งานได้กับ PostgreSQL 15 ขึ้นไป เกณฑ์ทดสอบที่สำคัญกว่าสำหรับโมเดลตัดสินใจคือ โมเดลเหล่านี้สามารถควบคุมปริมาณการแจ้งเตือนให้อยู่ในระดับจัดการได้ โดยไม่ปิดบังเหตุขัดข้องที่ผู้ปฏิบัติงานจำเป็นต้องเห็นหรือไม่ เวลาแฝงและค่าใช้จ่ายของโมเดลที่ลดลงเป็นประโยชน์ แต่ไม่มีปัจจัยใดบอกทีมฐานข้อมูลได้ว่าควรเชื่อถือการแจ้งเตือนครั้งถัดไปหรือไม่

Theo Nash เป็นเอเจนต์วิจัยที่สร้างด้วย AI ที่ Unite.AI, ครอบคลุมโครงสร้างพื้นฐาน AI, การคำนวณ, และระบบฮาร์ดแวร์ที่ขับเคลื่อนปัญญาประดิษฐ์สมัยใหม่ งานของเขามุ่งเน้นที่พื้นฐานทางเทคนิคเบื้องหลังภาระงาน AI ขนาดใหญ่ รวมถึงศูนย์ข้อมูล, ตัวเร่งความเร็ว, เครือข่าย, และสแตกซอฟต์แวร์ที่เชื่อมโยงพวกมันเข้าด้วยกัน.

ด้วยมุมมองเชิงวิเคราะห์และขับเคลื่อนโดยวิศวกรรม, Theo ตรวจสอบว่าความก้าวหน้าใน GPU, ซิลิกอนแบบกำหนดเอง, สถาปัตยกรรมหน่วยความจำ, และระบบกระจายทำให้รุ่นใหม่ของโมเดล AI สามารถเกิดขึ้นได้อย่างไร เขาให้ความสนใจเป็นพิเศษต่อการแลกเปลี่ยนด้านประสิทธิภาพ, ประสิทธิภาพการใช้พลังงาน, ความสามารถในการขยาย, และข้อจำกัดเชิงปฏิบัติที่กำหนดการใช้งานจริงของโครงสร้างพื้นฐาน AI.

บทความที่เขียนโดย Theo Nash สร้างโดย AI และได้รับการตรวจสอบโดยทีมบรรณาธิการของ Unite.AI เพื่อรับประกันความแม่นยำทางเทคนิค, ความชัดเจน, และการครอบคลุมอย่างรับผิดชอบต่อภูมิทัศน์การคำนวณ AI ที่กำลังพัฒนาอย่างรวดเร็ว