Yapay zeka modelleri ve platformları
pgEdge, AI DBA Workbench’te PostgreSQL uyarılarını önceliklendirmek için Jev’i ekliyor
pgEdge, PostgreSQL uyarılarını sınıflandırmak için Jev adlı TypeSafe AI modelini Workbench beta sürümüne ekliyor. Sağlayıcının sonuçları, doğrulanmış doğruluğu değil hız ve maliyet kazanımlarını gösteriyor.
Öne çıkan noktalarpgEdge, olasılığa dayalı ucuz uyarı ön değerlendirmesini yöneticiler için daha…
Daha fazla göster
- pgEdge, olasılığa dayalı ucuz uyarı ön değerlendirmesini yöneticiler için daha maliyetli talep üzerine açıklamalardan ayırır.
- Jev, Claude Haiku'dan çok daha hızlı ve ucuz çalışırken saklanan uyarı kararlarının %89'uyla eşleşti.
- Kıyaslama, uyarıların gerçekten doğru olup olmadığını değil, önceki model kararlarıyla uyumu ölçtü.
pgEdge, 19 Kasım’da açık kaynaklı AI DBA Workbench’in, hangi PostgreSQL izleme anormalliklerinin uyarı gerektirdiğine karar vermek için TypeSafe AI’ın Jev’ini kullanabileceğini duyurdu. Yazılım, her adayı büyük bir dil modeline açıklatmak yerine bir karar modelinden olasılık değeri alabiliyor; yönetici talep ederse ayrıca bir açıklama oluşturabiliyor. Bu özellik isteğe bağlı ve kamuya açık Workbench 2.0 beta sürümünde yer alıyor.
Bu değişiklik, veritabanı ekiplerinin sık karşılaştığı bir sorunu ele alıyor: Bir ölçüm, olağan aralığının dışına çıksa da bu mutlaka bir olay yaşandığı anlamına gelmiyor. Her sapmayı acil kabul etmek gereksiz uyarılar yaratırken çok sayıda sapmayı göz ardı etmek, operatörlerin gerçek sorunları fark edememesine yol açıyor. pgEdge’in yaklaşımı, sinyalleri sık sık ve dar kapsamda sınıflandırma işini, operatörlerin neleri araştırması gerektiğini açıklamaya yönelik daha seyrek yapılan işten ayırıyor.
Jev, Workbench’te ne yapıyor?
Workbench, anormallikleri tespit etmek ve değerlendirmek için birden fazla aşama kullanıyor. İlk aşamalarda izleme verileri inceleniyor ve normal davranıştan sapmalar belirleniyor. İsteğe bağlı karar modeline yalnızca son sınıflandırma aşamasına ulaşan adaylar gönderiliyor. Jev, yazılı bir analiz üretmek yerine adayın gerçek bir soruna işaret etme olasılığını bildiriyor. Yazılım, uyarının gösterilip gösterilmeyeceğini ya da bastırılıp bastırılmayacağını belirlemek için yapılandırılabilir bir eşik kullanıyor.
Karar modeli kullanılabilir bir sonuç veremezse Workbench, önceden yapılandırılmış bir akıl yürütme modeline başvuruyor. Böyle bir model yapılandırılmamışsa veya yedek model de başarısız olursa uyarıyı sessizce göz ardı etmek yerine gösteriyor. Bu davranış, bir sağlayıcı kesintisinin veritabanının sağlıklı olduğu şeklinde yorumlanması riskini azaltıyor. Ancak sağlayıcı kullanılabilir durumdayken modelin yanlış sınıflandırma yapma olasılığını ortadan kaldırmıyor.
Workbench, işaretlenmiş bir anormalliği talep üzerine açıklaması için ayrı bir akıl yürütme modeline de başvurabiliyor. Oluşturulan açıklama, saklanan izleme verilerinden üretiliyor. Bu açıklama, Jev’in puanına nasıl ulaştığının dökümü olmadığı gibi nedenin bağımsız bir doğrulaması da değil. Neyi araştıracaklarına ve neyi değiştireceklerine yine veritabanı yöneticileri karar veriyor.
Kıyaslama ne gösteriyor?
pgEdge’in ekim ayındaki testinde Jev, sınıflandırma başına medyan yaklaşık 200 milisaniyede sonuç verdi; Claude Haiku 4.5 ise yaklaşık üç saniye sürdü. pgEdge, Ekim 2026 fiyatlarını kullanarak 1.000 sınıflandırmanın Jev için yaklaşık dört sente, Haiku içinse 1,93 dolara mal olacağını tahmin etti. Bu, medyan sınıflandırma gecikmesinde yaklaşık 15 kat, tahmini model maliyetinde ise yaklaşık 48 kat fark anlamına geliyor. Bu karşılaştırmaların hiçbiri veritabanı izlemenin toplam süresini veya maliyetini ölçmüyor; toplam değere veri toplama, önceki tespit aşamaları ve gerektiğinde hazırlanan ek açıklamalar da dahil.
Testte, 30 günlük izleme verisinden seçilen 150 anormallik kullanıldı; bunların yarısı daha önce uyarı olarak bildirilmiş, diğer yarısıysa daha önce bastırılmıştı. Jev, kayıtlı kararların %89’uyla eşleşirken Haiku’nun yeni bir çalıştırması %91’lik eşleşme sağladı. İki model, adayların %88’i üzerinde doğrudan aynı kararı verdi. Jev, bu örneklemde daha önce uyarı olarak kaydedilmiş hiçbir adayı bastırmadı; kayıtlı kararlarla uyuşmadığı durumlarda ise daha önce bastırılmış adaylar için uyarı verdi.
Testte insan değerlendirmesiyle oluşturulmuş etiketler bulunmadığından sonuçlar, modellerin doğru olup olmadığını değil, önceki model kararlarıyla ne ölçüde uyuştuklarını gösteriyor. Dengeli örneklem, üretim ortamında bir operatörün ne sıklıkta yanlış alarm göreceğini de ortaya koymuyor. Jev’in verdiği ek uyarılar yararlı sinyaller olabileceği gibi ek gürültü de yaratabilir. Bu soruyu yanıtlamak için olayların sonuçlarına ve insan değerlendirmesine ihtiyaç var.
Sınıflandırmayı tanılamadan ayırmak neden önemli?
Çok sayıda PostgreSQL örneğini izleyen ekiplerin, sağlanan tasarruf miktarı değişse bile bu tasarımı değerlendirmek için nedenleri var. Bazı sinyalleri nöbetçi ekibin kuyruğuna yönlendirmek için olasılık puanı yeterli; daha maliyetli açıklamalar ise en çok bir kişinin karar vermesi gerektiğinde işe yarıyor. Kaç uyarının eyleme yol açtığını, kaç gerçek olayın gözden kaçtığını ve operatörlerin ne sıklıkta açıklama istediğini ölçmek, ekiplerin bu ödünleşimi yalnızca sınıflandırma hızına bakarak değerlendirmekten daha sağlam bir temele oturtmasını sağlar.
Workbench 2.0 beta sürümü, OpenAI karar modeli seçeneğini de destekliyor. pgEdge, standart PostgreSQL 15 ve sonraki sürümlerle çalıştığını belirtiyor. Karar modellerinin kapsamlı biçimde sınanmasında asıl ölçüt, operatörlerin görmesi gereken olayları gizlemeden uyarı sayısını yönetilebilir düzeyde tutup tutamadıkları. Daha düşük gecikme ve model maliyetleri yararlı olsa da bunların hiçbiri, bir veritabanı ekibinin bir sonraki uyarıya güvenip güvenemeyeceğini göstermiyor.












