Джеремі Келвей, віце-президент з інженерії аналітики, даних та штучного інтелекту в EDB – Інтерв’ю серія

Джеремі (Джефф) Келвей – віце-президент з інженерії в EDB, розташованій на північному заході Тихого океану, США. Він очолює команду, що зосереджена на постачанні рішень для аналітики та штучного інтелекту на основі Postgres. З досвідом управління базами даних як послуги (DBaaS), оперативного керівництва та інноваційної поставки технологій, Джефф має сильний досвід у просуванні вдосконалень у сфері зароджуваних технологій.

EDB підтримує PostgreSQL, щоб відповідати бізнес-пріоритетам, забезпечуючи розробку хмарних застосунків, ефективну міграцію з застарілих баз даних та гнучке розгортання у гібридних середовищах. З зростаючою базою талантів та надійною продуктивністю EDB забезпечує безпеку, надійність та вищу якість клієнтського досвіду для критично важливих застосунків.

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

З близько 75% американських компаній, які приймають штучний інтелект, ці бізнеси потребують фундаментальної технології, яка дозволить їм швидко та легко отримувати доступ до їхньої великої кількості даних та повністю приймати штучний інтелект. Саме тут вступає в дію Postgres.

Postgres, можливо, є ідеальним технічним прикладом довговічної технології, яка знову набула популярності з більшою актуальністю в епоху штучного інтелекту, ніж будь-коли раніше. З потужною архітектурою, вбудованою підтримкою декількох типів даних та розширенням за конструкцією, Postgres є основним 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 понад 30 років існування Postgres як технології галузь пройшла через еволюції, зрушення та інновації, і протягом усього цього часу користувачі продовжують “просто використовувати Postgres”, щоб подолати свої найскладніші виклики даних.

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

Потоки RAG набувають значної популярності та імпульсу, і з добрими підставами! Коли їх розглядають у контексті “Інтелектуальної економіки”, потоки RAG забезпечують доступ до інформації способами, які полегшують людський досвід, економлять 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 широко тренованої моделі LLM пропонує велику кількість можливостей для прискорення та поліпшення інформованого прийняття рішень з відповідними даними. Корисним способом мислення про це є уявлення про те, що у вас є кваліфікований дослідницький помічник, який не тільки знаходить правильну інформацію, але й представляє її у вигляді, який пасує до контексту.

Які з найбільш значущих викликів організацій стикаються при реалізації RAG у виробництві, 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, застосовуваної генеративною моделлю, буде менш корисною, якщо/де вхідні дані є дефектними, що призводить до менш відповідних та несподіваних результатів для запиту (часто називають “галюцинаціями”). Якість ваших джерел даних завжди буде ключем до успіху вмісту, який відновлюється, 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 активної позиції щодо того, чого ваш застосунок RAG намагається досягти – разом з тим, коли та де дані відновлюються – поставить вас у хорошу позицію для розуміння потенційних впливів. Наприклад, якщо ваш потік RAG відновлює дані з транзакційних джерел даних (тобто постійно оновлюються бази 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 забезпечити цінний контекст для налаштування застосунку RAG для фокусування на відповідному відновленні 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 вимагаючі робочі навантаження штучного інтелекту, забезпечуючи безпеку даних, доступність та гнучкість для інтеграції з існуючими джерелами даних та структурованою інформацією. Будування рішення для 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 відновлення цих критично важливих потоків 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 – це розширення, яке дозволяє вам зберігати свої векторні дані поряд з іншими вашими 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 стає центральним гравцем у транзакційних та аналітичних робочих навантаженнях, як він допомагає організаціям оптимізувати свої потоки даних та розблокувати швидші ідеї без додавання складності?

Ці потоки даних фактично живлять застосування штучного інтелекту. З великою кількістю форматів зберігання даних, місць та типів даних, складності того, як здійснюється крок відновлення, швидко стають відчутним викликом, особливо коли застосування штучного інтелекту переходять від концепції до виробництва.

Розширення EDB Postgres AI Pipelines – це приклад того, як Postgres грає ключову роль у формуванні “управління даними” частини історії застосунку штучного інтелекту. Спрощуючи обробку даних за допомогою автоматизованих потоків для отримання даних з Postgres або об’єктного сховища, генерації векторних вкладень під час прийому нових даних та активації оновлень вкладень при зміні вихідних даних – що означає завжди актуальні дані для запиту та відновлення без трудомісткої технічної підтримки.

Які інновації чи розробки ми можемо очікувати від Postgres у ближчому майбутньому, особливо оскільки штучний інтелект продовжує еволюціонувати та вимагати більше від інфраструктури даних?

Векторна база даних ще не є закінченою статтею, подальша розробка та поліпшення очікується, оскільки використання та залежність від технології векторної бази даних продовжує зростати. Спільнота PostgreSQL продовжує інновувати в цьому просторі, шукаючи методи для покращення індексування, щоб дозволити більш складні критерії пошуку поряд з прогресом самої можливості pgvector.

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

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

EDB Postgres AI забезпечує хмарну гнучкість та спостережливість у гібридних середовищах з суверенним контролем. Цій підхід дозволяє підприємствам контролювати управління моделями штучного інтелекту, а також оптимізувати транзакційні, аналітичні та робочі навантаження штучного інтелекту по всім гібридним чи багатокладовим середовищам. Наділяючи підприємства можливістю переносити дані, контролювати витрати, а також забезпечуючи хмарний досвід на різних інфраструктурах, EDB підтримує підприємства, керовані штучним інтелектом, у швидкому та більш гнучкому реагуванні на складні вимоги даних.

Як Postgres підтримує управління даними, конфіденційність та безпеку, особливо в контексті обробки конфіденційних даних для моделей штучного інтелекту?

Як штучний інтелект стає все більш інтегрованим у корпоративні системи, підприємства стикаються з зростаючим тиском щодо забезпечення цілісності даних та дотримання суворих стандартів відповідності. Цей еволюційний ландшафт ставить суверенітет даних на перший план – де суворе управління, безпека та прозорість не тільки пріоритети, а й передумови. Бізнесу потрібно знати та бути певним щодо того, де їхні дані знаходяться, і куди вони прямують.

Postgres виділяється як основа для середовищ даних, готових до штучного інтелекту, пропонуючи передові можливості для управління конфіденційними даними в гібридних та багатокладових середовищах. Його відкрита основа означає, що підприємства користуються постійними інноваціями, тоді як поліпшення EDB забезпечують дотримання корпоративних стандартів безпеки, гранульованих засобів контролю доступу та глибокої спостережливості – ключових для відповідальної обробки даних штучного інтелекту. Можливості суверенного штучного інтелекту EDB будуються на цій позиції, зосереджуючись на привнесенні можливостей штучного інтелекту до даних, таким чином забезпечуючи 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 стратегічного технологічного активу, привносяючи аналітичні та системи штучного інтелекту ближче до основних операційних та транзакційних даних клієнтів – все це керується Postgres. Він забезпечує основу платформи даних для застосунків, керованих штучним інтелектом, зменшуючи складність інфраструктури, оптимізуючи ефективність витрат та задовольняючи корпоративні вимоги до 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 можливостей аналітики та штучного інтелекту під час використання основної операційної бази даних підприємства.

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