Джеремі Келвей, Віце-президент з інженерії аналітики, даних та штучного інтелекту в EDB – Серія інтерв’ю

Джеремі (Джефф) Келвей є Віце-президентом з інженерії в EDB, який базується на північному заході Тихого океану, США. Він очолює команду, що зосереджена на доставці рішень для аналітики та штучного інтелекту на основі Postgres. З досвідом у сфері управління базами даних як сервіс (DBaaS), оперативного лідерства та інноваційної доставки технологій, Джефф має сильний досвід у сприянні розвитку нових технологій.

EDB підтримує PostgreSQL, щоб відповідати бізнес-пriorитетам, забезпечуючи розробку хмарних застосунків, ефективну міграцію з спадкових баз даних та гнучке розгортання в гібридних середовищах. З ростом талантів та потужної продуктивності EDB забезпечує безпеку, надійність та вищій рівень досвіду клієнтів для критично важливих застосунків.

Чому Postgres все частіше стає базою даних для побудови генеративних застосунків штучного інтелекту, і які ключові особливості роблять його придатним для цієї еволюційної ландшафту?

З близько 75% американських компаній, які приймають штучний інтелект, ці бізнеси потребують фундаментальної технології, яка дозволить їм швидко та легко отримувати доступ до їхнього надлишку даних та повністю приймати штучний інтелект. Саме тут з’являється Postgres.

Postgres, можливо, є ідеальним технічним прикладом тривалої технології, яка знову набула популярності з більшою актуальністю в епоху штучного інтелекту, ніж будь-коли раніше. З потужною архітектурою, вбудованою підтримкою多альних типів даних та розширенням за проектом, Postgres є ідеальним кандидатом для підприємств, які хочуть використовувати цінність своїх даних для виробничо-готових застосунків штучного інтелекту в суверенному та безпечному середовищі.

За 20 років існування EDB або 30+ років існування технології Postgres, галузь пройшла через еволюції, зрушення та інновації, і протягом усього цього часу користувачі продовжують “просто використовувати Postgres”, щоб подолати свої найскладніші дані виклики.

Як сьогодні застосовується Retrieval-Augmented Generation (RAG), і як ви бачите його вплив на майбутнє “Інтелектуальної економіки”?

Потоки RAG набувають значної популярності та імпульсу, і з хорошими підставами! Коли їх розглядають у контексті “Інтелектуальної економіки”, потоки RAG забезпечують доступ до інформації способами, які полегшують людський досвід, зберігаючи час за рахунок автоматизації та фільтрації даних та інформації, які інакше потребували б значних ручних зусиль та часу для створення. Збільшена точність кроку “пошуку” (Retrieval) у поєднанні з можливістю додавання конкретного вмісту до більш широко тренованої LLM пропонує багато можливостей для прискорення та поліпшення інформованого прийняття рішень з відповідними даними. Корисний спосіб думати про це – як якщо у вас є кваліфікований дослідницький помічник, який не тільки знаходить правильну інформацію, але також представляє її у вигляді, який відповідає контексту.

Які з найбільш значущих викликів, з якими стикаються організації при впровадженні RAG у виробництво, і які стратегії можуть допомогти подолати ці виклики?

На фундаментальному рівні ваша якість даних – це ваш диференціатор штучного інтелекту. Точність, а особливо згенерованих відповідей, застосунку RAG завжди буде залежати від якості даних, які використовуються для навчання та доповнення виводу. Рівень складності, який застосовується генеративною моделлю, буде менш корисним, якщо/де вхідні дані є недолугими, що призведе до менш відповідних та несподіваних результатів для запиту (часто називається “галюцинаціями”). Якість ваших джерел даних завжди буде ключем до успіху вилученого вмісту, який живить генеративні кроки – якщо вивід має бути таким точним, як це можливо, джерела даних для LLM повинні бути такими актуальними, як це можливо.

З точки зору продуктивності; прийняття проактивного ставлення до того, чого намагається досягти ваш застосунок RAG, разом з тим, коли та де дані вилучаються, поставить вас у хорошу позицію для розуміння потенційних впливів. Наприклад, якщо ваш потік RAG вилучає дані з транзакційних джерел даних (тобто постійно оновлюваних баз даних, які є критично важливими для вашого бізнесу), моніторинг продуктивності цих ключових джерел даних, разом з застосунками, які витягують дані з цих джерел, забезпечить розуміння щодо впливу кроків вашого потоку RAG. Ці заходи є чудовим кроком для управління будь-якими потенційними або реальними наслідками для продуктивності критично важливих транзакційних джерел даних. Крім того, ця інформація також може надати цінний контекст для налаштування застосунку RAG для фокусування на відповідному вилученні даних.

Враховуючи зростання спеціалізованих векторних баз даних для штучного інтелекту, які переваги пропонує Postgres над цими рішеннями, особливо для підприємств, які намагаються оперціоналізувати робочі навантаження штучного інтелекту?

Місійнокритична векторна база даних має можливість підтримувати вимогливі робочі навантаження штучного інтелекту, забезпечуючи безпеку даних, доступність та гнучкість для інтеграції з існуючими джерелами даних та структурованою інформацією. Будування рішення штучного інтелекту/RAG часто використовує векторну базу даних, оскільки ці застосування включають оцінки схожості та рекомендації, які працюють з високовимірними даними. Векторні бази даних служать ефективним та ефективним джерелом даних для зберігання, управління та вилучення цих критично важливих даних.

Як EDB Postgres обробляє складності управління векторними даними для штучного інтелекту, і які ключові переваги інтеграції робочих навантажень штучного інтелекту в середовище Postgres?

Хоча Postgres не має вбудованої векторної можливості, pgvector є розширенням, яке дозволяє зберігати векторні дані поряд з іншими даними в Postgres. Це дозволяє підприємствам використовувати векторні можливості поряд з існуючими структурами баз даних, спрощуючи управління та розгортання застосунків штучного інтелекту шляхом зменшення потреби в окремих сховищах даних та складних передачах даних.

Як Postgres допомагає організаціям оптимізувати свої дані та відкриває швидші ідеї без додавання складності, ставши центральним гравцем як у транзакційних, так і в аналітичних робочих навантаженнях?

Ці дані потоки ефективно паливом для застосунків штучного інтелекту. З великою кількістю форматів зберігання даних, місць та типів даних, складності того, як здійснюється фаза вилучення, швидко стають відчутним викликом, особливо коли застосування штучного інтелекту переходять від концепції до виробництва.

Розширення EDB Postgres AI Pipelines є прикладом того, як Postgres грає ключову роль у формуванні “управління даними” частини історії застосунку штучного інтелекту. Спрощення обробки даних за допомогою автоматизованих потоків для отримання даних з Postgres або об’єктного зберігання, генерації векторних вкладень як нових даних, та активації оновлень вкладень при зміні вихідних даних – це означає завжди актуальні дані для запиту та вилучення без трудомісткої підтримки.

Які інновації чи розробки можна очікувати від Postgres у найближчому майбутньому, особливо з урахуванням того, що штучний інтелект продовжує розвиватися та вимагати більше від інфраструктури даних?

Векторна база даних ще не є закінченим продуктом, подальший розвиток та покращення очікується, оскільки використання та залежність від технології векторної бази даних продовжує зростати. Спільнота PostgreSQL продовжує інновувати в цьому напрямку, шукаючи методи для покращення індексування, щоб дозволити більш складні критерії пошуку поряд з прогресом можливості pgvector.

Як Postgres, особливо з пропозиціями EDB, підтримує потребу в багатокloud та гібридних хмарних розгортаннях, і чому ця гнучкість важлива для підприємств, керованих штучним інтелектом?

Недавнє дослідження EDB показало, що 56% підприємств зараз розгортають критично важливі робочі навантаження у гібридній моделі, підкреслюючи потребу в рішеннях, які підтримують як гнучкість, так і суверенітет даних. Postgres, з покращеннями EDB, забезпечує необхідну гнучкість для багатокloud та гібридних хмарних середовищ, наділяючи підприємства, керовані штучним інтелектом, можливістю керувати своїми даними як гнучко, так і під контролем.

EDB Postgres AI забезпечує хмарну гнучкість та спостережливість у гібридних середовищах з суверенним контролем. Цій підхід дозволяє підприємствам контролювати керування моделями штучного інтелекту, а також оптимізувати транзакційні, аналітичні та робочі навантаження штучного інтелекту по всім гібридним чи багатокloud середовищам. Наділяючи підприємства можливістю переносити дані, контролювати TCO та забезпечувати хмарний досвід на різних інфраструктурах, EDB підтримує підприємства, керовані штучним інтелектом, у реалізації швидших та більш гнучких відповідей на складні вимоги даних.

Як Postgres підтримує управління даними, конфіденційність та безпеку, особливо у контексті обробки чутливих даних для моделей штучного інтелекту, коли штучний інтелект стає все більш інтегрованим у підприємства?

Як штучний інтелект стає як операційним краєвидом, так і конкурентною перевагою, підприємства стикаються з зростаючим тиском щодо забезпечення цілісності даних та дотримання суворих стандартів відповідності. Ця еволюційна ландшафт ставить суверенітет даних на перший план – де суворе управління, безпека та видимість не тільки пріоритети, але й передумови. Бізнесу потрібно знати та бути певним щодо того, де їхні дані знаходяться, і куди вони рухаються.

Postgres виділяється як хребет для середовищ даних, готових до штучного інтелекту, пропонуючи передові можливості для керування чутливими даними по всім гібридним та багатокcloud середовищам. Його відкрита основа означає, що підприємства користуються постійними інноваціями, тоді як покращення EDB забезпечують дотримання стандартів безпеки підприємства, гранульованого контролю доступу та глибокої спостережливості – ключових для відповідальної обробки даних штучного інтелекту. Можливості суверенного штучного інтелекту EDB будуються на цій позиції, зосереджуючись на наданні можливостей штучного інтелекту до даних, тим самим полегшуючи контроль над тим, куди рухаються ці дані, і звідки.

Що робить EDB Postgres унікально здатним масштабувати робочі навантаження штучного інтелекту, зберігаючи при цьому високу доступність та продуктивність, особливо для критично важливих застосунків?

EDB Postgres AI допомагає підвищити інфраструктуру даних до стратегічної технологічної власності, привносяючи аналітичні та системи штучного інтелекту ближче до операційних та транзакційних даних клієнтів – все це керується через Postgres. Він забезпечує платформу даних для застосунків, керованих штучним інтелектом, зменшуючи складність інфраструктури, оптимізуючи ефективність витрат та задовольняючи вимогам підприємства щодо суверенітету даних, продуктивності та безпеки.

Елегантна платформа даних для сучасних операторів, розробників, інженерів даних та будівельників застосунків штучного інтелекту, які потребують перевіреного рішення для своїх критично важливих робочих навантажень, забезпечуючи доступ до аналітичних та можливостей штучного інтелекту, використовуючи основну операційну базу даних підприємства.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, повинні відвідати EDB.