EDB’de Analytics, Veri ve Yapay Zeka için Mühendislik Başkan Yardımcısı Jeremy Kelway – Röportaj Serisi

Jeremy (Jezz) Kelway, EDB’de mühendislik başkan yardımcısıdır ve ABD’nin Pasifik Kuzeybatı bölgesinde bulunmaktadır. Postgres tabanlı analitik ve yapay zeka çözümlerini sunan bir ekibe liderlik etmektedir. Veri Tabanı Hizmeti (DBaaS) yönetimi, operasyonel liderlik ve yenilikçi teknoloji teslimatı konularındaki deneyimiyle, Jezz, ortaya çıkan teknolojilerde ilerlemeleri teşvik etme konusunda güçlü bir geçmişe sahiptir.

EDB, PostgreSQL’i iş önceliklerine uygun olarak desteklemektedir. Bu, bulut yerel uygulama geliştirmesini, miras veritabanlarından maliyet etkin bir şekilde göç etmeyi ve hibrit ortamlarda esnek bir şekilde dağıtmayı mümkün kılmaktadır. Büyüyen yetenek havuzu ve güçlü performans ile EDB, misyon kritik uygulamalar için güvenlik, güvenilirlik ve üstün müşteri deneyimi sağlar.

Postgres neden giderek daha fazla generatif AI uygulamaları için tercih edilen veritabanı haline geliyor ve bu değişen manzara için onu uygun kılan ana özellikler nelerdir?

Yaklaşık %75’lik bir U.S. şirketleri AI’ı benimsemektedir ve bu şirketler, AI’ı tam olarak benimsemek için hızlı ve kolay bir şekilde veri erişimine izin veren bir temel teknolojiye ihtiyaç duymaktadır. İşte Postgres burada devreye giriyor.

Postgres, belki de, AI çağındaki önemi daha önce hiç olmadığı kadar artan, dayanıklı bir mimariye sahip, çoklu veri türlerini yerel olarak destekleyen ve genişletilebilir bir tasarıma sahip olan bir teknolojinin mükemmel bir örneğidir. Postgres, üretim için hazır AI için egemen ve güvenli bir ortamda verilerinin değerini kullanmak isteyen şirketler için ideal bir adaydır.

EDB’nin 20 yılı aşkın bir süredir var olduğu veya Postgres’in bir teknoloji olarak 30+ yılı aşkın bir süredir var olduğu süre boyunca, endüstri, evrimler, değişiklikler ve yenilikler geçirdi ve tüm bu süre boyunca kullanıcılar, en karmaşık veri zorluklarını çözmek için “sadece Postgres”i kullanmaya devam ettiler.

Retrievol-Augmented Generation (RAG) günümüzde nasıl uygulanmaktadır ve “Akıllı Ekonomi”nin geleceğini nasıl şekillendireceğini düşünüyorsunuz?

RAG akışları önemli bir popülerlik ve momentum kazanmaktadır ve bunun iyi bir nedeni vardır! “Akıllı Ekonomi” bağlamında RAG akışları, insan deneyimini kolaylaştıran, zaman kazandıran ve otomatikleştiren bir şekilde bilgiye erişim sağlamaktadır. “Arama” adımının (Retrievol) artan doğruluğu ve daha geniş çapta eğitilmiş bir LLM’ye özel içerik eklemeye olanak tanıyan bir özellik sunmaktadır. Bu, bilgili bir araştırma asistanına sahip olmak gibi düşünülebilir; bu asistan, doğru bilgileri bulur ve bunları bağlamına uygun bir şekilde sunar.

RAG’yi üretim aşamasına taşımak isteyen organizasyonlar hangi önemli zorluklarla karşılaşırlar ve bu zorlukları aşmak için hangi stratejiler uygulanabilir?

Temel düzeyde, veri kaliteniz, AI farklılaştırıcınızdır. RAG uygulamasının doğruluğu ve özellikle üretilen yanıtlar, her zaman kullanılan ve üretilen verilerin kalitesine bağlı olacaktır. Girişlerin hatalı olması durumunda, üretilen sonuçlar less uygun ve beklenmeyen sonuçlara yol açacaktır (sıklıkla “halüsinasyon” olarak adlandırılır). Çıktının doğru olması isteniyorsa, LLM’ye beslenen bağlamsal veri kaynakları güncel olmalıdır.

Performans açısından; RAG uygulamanızın ne yapmaya çalıştığını ve ne zaman ve nerede veri alındığını proaktif bir şekilde ele almak, potansiyel etkileri anlamak için iyi bir konumda olmanızı sağlayacaktır. Örneğin, RAG akışınız, iş kritik veritabanlarından (örneğin, sürekli güncellenen ve işiniz için kritik olan veritabanları) veri alıyorsa, bu kritik veritabanlarının ve bu veritabanlarından veri çeken uygulamaların performansını izlemek, RAG akışının performansına olası etkileri anlamak için iyi bir adımdır. Bu önlemler, potansiyel veya gerçek zamanlı etkileri yönetmek için mükemmel bir adımdır. Ayrıca, bu bilgiler, RAG uygulamasını, uygun veri alımı üzerinde odaklanmak için ayarlamak için değerli bir bağlam sağlayacaktır.

Özel vektör veritabanlarının AI için yükselişi karşısında Postgres, özellikle AI iş yüklerini operasyonelleştirmek isteyen şirketler için bu çözümlere göre ne gibi avantajlar sunar?

Bir misyon kritik vektör veritabanı, AI iş yüklerini destekleme yeteneğine sahiptir ve aynı zamanda veri güvenliği, erişilebilirliği ve mevcut veri kaynakları ve yapılandırılmış bilgilerle entegrasyon esnekliği sağlar. AI/RAG çözümü oluştururken, genellikle benzerlik değerlendirmeleri ve öneriler içeren yüksek boyutlu verilerle çalışan uygulamalar için vektör veritabanları kullanılır. Vektör veritabanları, bu kritik veri boru hatları için verimli ve etkili bir veri kaynağı olarak hizmet eder.

EDB Postgres, AI için vektör verilerini yönetme karmaşıklıklarını nasıl ele alır ve Postgres ortamına AI iş yüklerini entegre etmenin ana faydaları nelerdir?

Postgres, yerel olarak vektör yeteneğine sahip değildir, ancak pgvector uzantısı, vektör verilerinizi Postgres’deki diğer verilerinizle birlikte depolamanızı sağlar. Bu, şirketlerin, mevcut veritabanı yapıları yanında vektör yeteneklerini kullanmasını sağlar ve AI uygulamalarının yönetimini ve dağıtımını basitleştirir, ayrıca ayrı veri depolarına ve karmaşık veri transferlerine olan ihtiyacı azaltır.

Postgres, hem işlemsel hem de analitik iş yükleri için merkezi bir oyuncu haline gelirken, şirketlerin veri boru hatlarını nasıl basitleştirmesine ve daha hızlı içgörüler elde etmesine yardımcı olurken karmaşıklığı eklemekten kaçınır?

Bu veri boru hatları, esasen AI uygulamalarını beslemektedir. Çeşitli veri depolama formatları, konumları ve veri türleri ile, algoritma aşamasının nasıl gerçekleştirildiği nhanh chóng bir şekilde somut bir zorluk haline gelir, özellikle de AI uygulamaları, Kanıt Concept’ten Üretime geçiş yapar.

EDB Postgres AI Pipelines uzantısı, Postgres’in AI uygulamalarının “veri yönetimi” bölümünde nasıl önemli bir rol oynadığının bir örneğidir. Postgres veya nesne depolamadan veri alma, yeni alınan verilere vektör gömme oluşturma ve kaynak verilerin değiştiğinde gömmeleri güncelleme için otomatik boru hatları sunarak veri işleme sürecini basitleştirir—böylece, bakım gerektirmeden her zaman güncel veri sağlanır.

Postgres’ten, özellikle AI’nin veri altyapısından daha fazla şey talep ettiği近期 gelecekte neler bekleyebiliriz?

Vektör veritabanı, geliştirme ve iyileştirme için bitmiş bir ürün değildir; vektör veritabanı teknolojisine olan bağımlılık arttıkça, daha da geliştirilmesi beklenmektedir. PostgreSQL topluluğu, bu alanda yenilikler yapmakta, daha karmaşık arama kriterleri için dizinleme yöntemlerini geliştirmek ve pgvector yeteneğinin kendisini ilerletmek için çalışmaktadır.

Postgres, özellikle EDB’nin sunduğu çözümlerle, çok bulutlu ve hibrit bulut dağıtımlarına olan ihtiyacı nasıl desteklemektedir ve bu esneklik AI odaklı şirketler için neden önemlidir?

EDB’nin yakın zamanda yaptığı bir çalışmaya göre, şirketlerin %56’sı misyon kritik iş yüklerini hibrit bir modelde dağıtmaktadır ve bu, hem esneklik hem de veri egemenliği için çözümlere olan ihtiyacı vurgulamaktadır. Postgres, EDB’nin geliştirmeleriyle, çok bulutlu ve hibrit bulut ortamlarına gerekli esnekliği sağlar ve AI odaklı şirketlere, verilerini hem esneklik hem de kontrol ile yönetme olanağı tanır.

EDB Postgres AI, hibrit ortamlara bulut esnekliği ve gözlemlenebilirliği getirir ve egemen kontrol sağlar. Bu yaklaşım, şirketlerin AI modellerinin yönetimini kontrol etmelerine olanak tanır ve aynı zamanda işlemsel, analitik ve AI iş yüklerini hibrit veya çok bulutlu ortamlarda basitleştirir. Veri taşınabilirliği, ayrıntılı TCO kontrolü ve çeşitli altyapılarda bulut benzeri bir deneyim sunarak, EDB, AI odaklı şirketlere, karmaşık veri taleplerine daha hızlı ve daha esnek bir şekilde yanıt vermelerine yardımcı olur.

AI, şirket sistemlerine daha da entegre olurken, Postgres, özellikle AI modelleri için hassas verileri işlerken, veri yönetimi, gizlilik ve güvenliği nasıl desteklemektedir?

AI, hem operasyonel bir köşetaşı hem de bir rekabet farklılaştırıcısı haline geldikçe, şirketler, veri bütünlüğünü korumak ve katı uyumluluk standartlarına uymak için artan bir baskı altına girmektedir. Bu değişen manzara, veri egemenliğini ön plana çıkarmaktadır—burada sıkı yönetim, güvenlik ve görünürlük, önceliklerden ziyade önkoşullardır. İşletmeler, verilerinin nerede olduğunu ve nereye gittiğini bilmeli ve emin olmalıdır.

Postgres, AI hazır veri ortamları için bir temel olarak öne çıkmaktadır ve hassas verileri hibrit ve çok bulutlu ortamlarda yönetmek için gelişmiş yetenekler sunmaktadır. Açık kaynaklı temeli, şirketlerin sürekli yeniliklerden yararlanmasını sağlar, ayrıca EDB’nin geliştirmeleri, şirketlerin, kurumsal düzeyde güvenlik, ayrıntılı erişim kontrolleri ve derin görünürlüğe sahip olmasını sağlar—AI verilerini sorumlu bir şekilde işleme için anahtardır. EDB’nin Egemen AI yetenekleri, bu duruşu temel alır ve AI yeteneklerini verilere getirerek, verilerin nereye gittiğini ve nereden geldiğini kontrol etmeyi sağlar.

EDB Postgres, AI iş yüklerini ölçeklendirirken yüksek erişilebilirlik ve performansı nasıl sağlar, özellikle misyon kritik uygulamalar için?

EDB Postgres AI, verileri, analitik ve AI sistemlerini müşterilerin temel operasyonel ve işlemsel verilerine yaklaştırmaya yardımcı olur ve tüm bunları Postgres aracılığıyla yönetir. AI odaklı uygulamalar için veri platformu temelini sağlar, altyapı karmaşıklığını azaltır, maliyet verimliliğini optimize eder ve şirketlerin veri egemenliği, performans ve güvenlik gereksinimlerini karşılar.

Modern operatörler, geliştiriciler, veri mühendisleri ve AI uygulaması oluşturucular için zarif bir veri platformu, misyon kritik iş yükleri için savaş test edilmiş bir çözüm sunar ve şirketlerin temel operasyonel veritabanı sistemini kullanarak analitik ve AI yeteneklerine erişimine olanak tanır.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular EDB‘yi ziyaret edebilir.