EDB 分析、数据和 AI 工程副总裁 Jeremy Kelway – 采访系列

Jeremy (Jezz) Kelway 是 EDB 的工程副总裁，位于美国太平洋西北地区。他领导一个专注于提供基于 Postgres 的分析和 AI 解决方案的团队。凭借数据库即服务 (DBaaS) 管理、运营领导和创新技术交付经验，Jezz 在推动新兴技术发展方面有着坚实的背景。

EDB 支持 PostgreSQL 以满足业务优先级，实现云原生应用开发、从传统数据库迁移的成本效益以及在混合环境中灵活部署。凭借不断增长的人才库和强大的性能，EDB 确保安全、可靠和卓越的客户体验，适用于任务关键应用。

为什么 Postgres 正在成为构建生成式 AI 应用的首选数据库，它的哪些关键特性使其适合这一不断演变的环境？

由于 几乎 75% 的美国公司采用了 AI，这些企业需要一种基础技术，使他们能够快速、轻松地访问大量数据，并充分利用 AI。这就是 Postgres 的用途。

Postgres 可能是技术上最完美的持久技术，它在 AI 时代比以往任何时候都更具相关性。凭借强大的架构、对多种数据类型的本地支持和设计上的可扩展性，Postgres 是企业在主权和安全环境中为生产就绪的 AI 挖掘数据价值的首选候选者。

在 EDB 存在的 20 年或 Postgres 作为技术存在的 30 多年中，行业经历了演变、转变和创新，用户继续使用 Postgres 来解决他们最复杂的数据挑战。

检索增强生成 (RAG) 如何在今天应用，并如何看待它在“智能经济”中的未来？

RAG 流程正在获得显著的流行和动力，理由很充分！当将其置于“智能经济”的背景下时，RAG 流程使信息的获取变得更加人性化，通过自动化和过滤数据和信息输出来节省时间，否则这些输出需要大量的手动努力和时间来创建。检索步骤（检索）的准确性提高，并且可以将特定内容添加到更广泛的 LLM 中，提供了大量机会来加速和增强明智的决策，使用相关数据。可以这样思考：您拥有一个熟练的研究助理，不仅可以找到正确的信息，还可以以适合上下文的方式呈现它。

组织在生产中实施 RAG 时面临的最重大挑战是什么，哪些策略可以帮助解决这些挑战？

从根本上讲，您的数据质量就是您的 AI 差异化因素。RAG 应用的准确性，特别是生成的响应，将始终受到用于训练和增强输出的数据质量的制约。如果输入存在缺陷，生成模型的复杂性将带来较少的好处，导致查询结果不太合适和意外（通常称为“幻觉”）。用于检索步骤的数据源的质量对于输出的成功至关重要——如果输出需要尽可能准确，LLM 的上下文数据源必须是最新的。

从性能角度来看；采取主动态度，了解您的 RAG 应用程序正在尝试实现什么，以及何时和在哪里检索数据，将使您能够很好地理解潜在的影响。例如，如果您的 RAG 流程从事务数据源（即对业务至关重要的不断更新的数据库）检索数据，则监控这些关键数据源的性能以及从这些源提取数据的应用程序，将为您提供对 RAG 流程步骤的潜在影响的理解。这些措施是管理对任务关键事务数据源的任何潜在或实时影响的绝佳步骤。此外，这些信息还可以为调整 RAG 应用程序以关注适当的数据检索提供有价值的上下文。

考虑到专用向量数据库在 AI 中的崛起，Postgres 为企业提供了哪些优势，特别是对于那些希望使 AI 工作负载正常运行的企业？

任务关键向量数据库能够支持需求严格的 AI 工作负载，同时确保数据安全、可用性以及与现有数据源和结构化信息的集成灵活性。构建 AI/RAG 解决方案通常会使用向量数据库，因为这些应用涉及与高维数据一起使用的相似性评估和推荐。向量数据库是这些关键数据管道的高效且有效的数据源，用于存储、管理和检索。

EDB Postgres 如何处理 AI 中的向量数据复杂性，以及将 AI 工作负载集成到 Postgres 环境中的主要好处是什么？

虽然 Postgres 没有本机向量功能，但 pgvector 是一个允许您将向量数据与 Postgres 中的其他数据一起存储的扩展。这使企业能够利用向量功能，同时保留现有的数据库结构，简化了 AI 应用的管理和部署，减少了对单独数据存储和复杂数据传输的需求。

Postgres 如何帮助组织简化数据管道并在不增加复杂性的情况下解锁更快的洞察力，特别是在事务和分析工作负载中？

这些数据管道基本上是为 AI 应用程序提供动力。由于数据存储格式、位置和数据类型的多样性，检索阶段的复杂性很快就会成为一个切实的挑战，特别是当 AI 应用程序从概念验证转移到生产时。

EDB Postgres AI 管道扩展是 Postgres 在 AI 应用程序“数据管理”故事中发挥关键作用的示例。通过自动管道简化数据处理，自动从 Postgres 或对象存储中获取数据，生成新数据的向量嵌入，并在源数据更改时触发嵌入更新——始终确保数据最新且无需繁琐的维护。

我们可以期待 Postgres 在不久的将来会有哪些创新或发展，特别是随着 AI 的不断演变和对数据基础设施的更高要求？

向量数据库还没有完成，预计会继续发展和增强，因为向量数据库技术的使用和依赖将继续增长。PostgreSQL 社区继续在此领域创新，寻求增强索引以允许更复杂的搜索标准，以及 pgvector 本身的进步。

Postgres，特别是 EDB 的产品，如何支持多云和混合云部署的需求，为什么这种灵活性对 AI 驱动的企业来说很重要？

最近的 EDB 研究表明，56% 的企业现在以混合模式部署任务关键工作负载，突出了支持灵活性和数据主权的解决方案的需求。Postgres，结合 EDB 的增强功能，提供了多云和混合云环境中必不可少的灵活性，赋予 AI 驱动的企业管理数据的能力，既有灵活性，又有控制力。

EDB Postgres AI 为混合环境带来了云敏捷性和可观察性，具有主权控制。这种方法使企业能够控制 AI 模型的管理，同时简化事务、分析和 AI 工作负载，跨混合或多云环境。通过实现数据可移植性、细粒度的 TCO 控制和各种基础设施上的云类体验，EDB 支持 AI 驱动的企业更快、更敏捷地响应复杂的数据需求。

随着 AI 更深入地融入企业系统，Postgres 如何支持数据治理、隐私和安全，特别是在处理 AI 模型的敏感数据的背景下？

随着 AI 成为运营基石和竞争差异化因素，企业面临着日益增长的压力，需要确保数据完整性并遵守严格的合规标准。这种不断演变的格局使数据主权成为焦点——在这里，严格的治理、安全和可见性不仅是优先事项，也是先决条件。企业需要知道并确保其数据的位置以及数据的去向。

Postgres 是 AI 准备就绪的数据环境的骨干，提供高级功能来管理混合和多云环境中的敏感数据。其开源基础意味着企业可以从持续的创新中受益，而 EDB 的增强功能确保遵守企业级安全、细粒度访问控制和深度可观察性——这些对于负责地处理 AI 数据至关重要。EDB 的主权 AI 能力建立在这一态度之上，专注于将 AI 能力带到数据中，从而促进对数据移动的控制，无论是进入还是离开数据。

EDB Postgres 使 AI 工作负载具有独特的可扩展性，同时保持高可用性和性能，特别是对于任务关键应用程序，为什么会这样？

EDB Postgres AI 通过将分析和 AI 系统更接近客户的核心运营和事务数据（所有这些都通过 Postgres 管理）来提升数据基础设施为战略技术资产。它为 AI 驱动的应用程序提供了数据平台基础，通过简化数据处理、优化成本效率和满足企业对数据主权、性能和安全的要求。

EDB Postgres AI 是现代运营商、开发人员、数据工程师和 AI 应用程序构建者的一种优雅的数据平台，他们需要一种经过验证的解决方案来处理任务关键工作负载，同时允许使用企业的核心运营数据库系统访问分析和 AI 能力。

感谢您接受这次精彩的采访，希望了解更多的读者可以访问 EDB。