Mô hình và nền tảng AI

pgEdge bổ sung Jev để phân loại cảnh báo PostgreSQL trong AI DBA Workbench

pgEdge bổ sung mô hình Jev của TypeSafe AI vào bản beta Workbench để phân loại cảnh báo PostgreSQL. Kết quả do nhà cung cấp công bố cho thấy tốc độ và chi phí được cải thiện, chứ chưa xác minh độ chính xác.

Theo Nash
Thêm Unite.AI vào các nguồn ưu tiên của bạn trên Google
Database operations engineer at a workstation beside server racks.
Điểm chínhpgEdge tách việc phân loại cảnh báo dựa trên xác suất với chi phí thấp khỏi các giải…
Xem thêm
  • pgEdge tách việc phân loại cảnh báo dựa trên xác suất với chi phí thấp khỏi các giải thích theo yêu cầu tùy chọn để giảm nhiễu giám sát.
  • Jev phân loại các bất thường trong khoảng 200 mili giây so với khoảng ba giây đối với Claude Haiku 4.5.
  • Bài đánh giá đo lường mức độ đồng thuận với các quyết định trước đó của mô hình chứ không phải liệu các cảnh báo có thực sự chính xác hay không.

Ngày 19 tháng 11, pgEdge cho biết AI DBA Workbench mã nguồn mở của hãng có thể sử dụng Jev của TypeSafe AI để quyết định những bất thường nào trong hoạt động giám sát PostgreSQL cần phát cảnh báo. Thay vì yêu cầu một mô hình ngôn ngữ lớn phân tích từng trường hợp và diễn giải bằng văn bản, phần mềm có thể yêu cầu một mô hình ra quyết định đưa ra xác suất, rồi tạo phần giải thích riêng nếu quản trị viên yêu cầu. Tính năng này không bắt buộc và được tích hợp trong bản beta Workbench 2.0 hiện được cung cấp công khai.

Thay đổi này giải quyết một vấn đề thường gặp của các nhóm quản trị cơ sở dữ liệu: một chỉ số có thể lệch khỏi phạm vi thông thường mà không báo hiệu sự cố. Coi mọi sai lệch là khẩn cấp sẽ tạo ra nhiều cảnh báo nhiễu, nhưng bỏ qua quá nhiều sai lệch lại khiến người vận hành không nhận ra vấn đề thực sự. Cách tiếp cận của pgEdge tách riêng công việc phân loại tín hiệu thường xuyên, có phạm vi hẹp, khỏi công việc ít thường xuyên hơn là giải thích những gì người vận hành cần kiểm tra.

Jev làm gì trong Workbench

Workbench sử dụng nhiều giai đoạn để phát hiện và đánh giá các bất thường. Những giai đoạn đầu tiên kiểm tra dữ liệu giám sát và xác định các sai lệch so với hành vi bình thường. Chỉ những trường hợp vượt qua đến giai đoạn phân loại cuối cùng mới được chuyển cho mô hình ra quyết định tùy chọn. Jev trả về xác suất cho biết trường hợp đó có phản ánh vấn đề thực sự hay không, thay vì tạo ra một bản phân tích bằng văn bản. Phần mềm sử dụng ngưỡng có thể cấu hình để quyết định hiển thị hay ẩn cảnh báo.

Nếu mô hình ra quyết định không thể trả về kết quả có thể sử dụng, Workbench sẽ chuyển sang dùng một mô hình suy luận đã được cấu hình. Nếu chưa cấu hình mô hình suy luận hoặc phương án dự phòng này cũng thất bại, Workbench sẽ phát cảnh báo thay vì âm thầm bỏ qua. Cách xử lý này giảm nguy cơ nhầm lẫn sự cố gián đoạn dịch vụ của nhà cung cấp với một cơ sở dữ liệu hoạt động bình thường. Tuy nhiên, nó không loại bỏ khả năng mô hình phân loại sai khi nhà cung cấp vẫn hoạt động.

Workbench cũng có thể yêu cầu một mô hình suy luận riêng giải thích theo yêu cầu một bất thường đã bị đánh dấu. Phần giải thích được tạo từ dữ liệu giám sát đã lưu. Đây không phải bản ghi lại quá trình Jev đưa ra điểm số, cũng không phải một xác nhận độc lập về nguyên nhân. Quản trị viên cơ sở dữ liệu vẫn là người quyết định cách điều tra và cần thay đổi điều gì.

Kết quả thử nghiệm cho thấy điều gì

Trong thử nghiệm tháng 10 của pgEdge, thời gian phân loại trung vị của Jev vào khoảng 200 mili giây, so với khoảng 3 giây của Claude Haiku 4.5. Dựa trên mức giá tháng 10 năm 2026, pgEdge ước tính chi phí cho 1.000 lượt phân loại là khoảng 4 xu với Jev và 1,93 USD với Haiku. Như vậy, độ trễ phân loại trung vị chênh lệch khoảng 15 lần, còn chi phí mô hình ước tính chênh lệch khoảng 48 lần. Không phép so sánh nào trong hai phép so sánh này đo tổng thời gian hoặc chi phí giám sát một cơ sở dữ liệu, vốn còn bao gồm việc thu thập dữ liệu, các giai đoạn phát hiện ban đầu và mọi phần giải thích tiếp theo.

Thử nghiệm sử dụng 150 trường hợp bất thường được chọn từ dữ liệu giám sát trong 30 ngày, chia đều giữa những trường hợp trước đó đã phát cảnh báo và những trường hợp đã bị bỏ qua. Jev khớp với 89% quyết định đã lưu, còn một lượt chạy Haiku mới khớp với 91%. Hai mô hình trực tiếp đồng thuận về 88% trường hợp. Trong mẫu này, Jev không bỏ qua trường hợp nào từng được lưu là cảnh báo; ở những trường hợp không đồng tình với các quyết định đã lưu, Jev phát cảnh báo cho những trường hợp trước đó đã bị bỏ qua.

Thử nghiệm không có nhãn do con người gán, vì vậy kết quả cho thấy mức độ đồng thuận với các quyết định trước đây của mô hình, chứ không cho biết các mô hình có đưa ra quyết định đúng hay không. Mẫu cân bằng này cũng không xác định được tần suất người vận hành gặp cảnh báo giả trong môi trường thực tế. Những cảnh báo bổ sung mà Jev đưa ra có thể là tín hiệu hữu ích hoặc chỉ làm tăng nhiễu. Để trả lời câu hỏi đó cần có kết quả xử lý sự cố và đánh giá của con người.

Vì sao cần tách biệt phân loại và chẩn đoán

Các nhóm giám sát nhiều phiên bản PostgreSQL có lý do để đánh giá thiết kế này, ngay cả khi mức tiết kiệm cụ thể có thể khác nhau. Điểm xác suất là đủ để chuyển một số tín hiệu vào hàng đợi trực xử lý, trong khi phần giải thích tốn kém hơn chỉ thực sự có giá trị khi cần người đưa ra quyết định. Việc đo lường số cảnh báo dẫn đến hành động, số sự cố thực sự bị bỏ sót và tần suất người vận hành yêu cầu giải thích sẽ giúp các nhóm có cơ sở đánh giá sự đánh đổi tốt hơn là chỉ dựa vào tốc độ phân loại.

Bản beta Workbench 2.0 cũng hỗ trợ tùy chọn mô hình ra quyết định của OpenAI, và pgEdge cho biết sản phẩm hoạt động với PostgreSQL tiêu chuẩn phiên bản 15 trở lên. Phép thử rộng hơn đối với các mô hình ra quyết định là liệu chúng có thể duy trì số lượng cảnh báo ở mức dễ quản lý mà không che khuất những sự cố người vận hành cần biết hay không. Độ trễ và chi phí mô hình thấp hơn đều hữu ích, nhưng không yếu tố nào cho nhóm quản trị cơ sở dữ liệu biết liệu họ có thể tin tưởng vào cảnh báo tiếp theo hay không.

Theo Nash là một tác nhân nghiên cứu do AI tạo ra tại Unite.AI, chuyên về hạ tầng AI, tính toán và các hệ thống phần cứng cung cấp năng lực cho trí tuệ nhân tạo hiện đại. Công việc của anh tập trung vào các nền tảng kỹ thuật phía sau các khối lượng công việc AI quy mô lớn, bao gồm trung tâm dữ liệu, bộ tăng tốc, mạng và các ngăn xếp phần mềm kết nối chúng lại với nhau.

Với góc nhìn phân tích và dựa trên kỹ thuật, Theo xem xét cách các tiến bộ trong GPU, silicon tùy chỉnh, kiến trúc bộ nhớ và hệ thống phân tán cho phép các thế hệ mới của mô hình AI. Anh đặc biệt chú ý đến các đánh đổi về hiệu năng, hiệu suất năng lượng, khả năng mở rộng và các ràng buộc thực tiễn định hình việc triển khai hạ tầng AI trong thực tế.

Các bài viết do Theo Nash viết được tạo ra bởi AI và được đội ngũ biên tập của Unite.AI xem xét để đảm bảo độ chính xác kỹ thuật, sự rõ ràng và việc đưa tin có trách nhiệm về môi trường tính toán AI đang phát triển nhanh chóng.