Jeremy (Jezz) Kelway는 엔지니어링 부문 부사장입니다. EDB미국 태평양 북서부에 본사를 두고 있습니다. 그는 Postgres 기반 분석 및 AI 솔루션 제공에 중점을 둔 팀을 이끌고 있습니다. DBaaS(Database-as-a-Service) 관리, 운영 리더십 및 혁신적인 기술 제공 분야의 경험을 바탕으로 Jezz는 신흥 기술의 발전을 주도하는 강력한 배경을 보유하고 있습니다.
EDB는 PostgreSQL을 지원하여 비즈니스 우선순위에 맞춰 클라우드 네이티브 애플리케이션 개발, 레거시 데이터베이스로부터의 비용 효율적인 마이그레이션, 하이브리드 환경 전반의 유연한 배포를 지원합니다. 늘어나는 인재 풀과 강력한 성능을 통해 EDB는 미션 크리티컬 애플리케이션에 대한 보안, 안정성 및 우수한 고객 경험을 보장합니다.
Postgres가 생성 AI 애플리케이션 구축을 위한 데이터베이스로 점점 더 주목받고 있는 이유는 무엇이며, Postgres가 진화하는 환경에 적합한 주요 기능은 무엇입니까?
와 함께 거의 75% AI를 채택하는 미국 기업 중 이러한 기업에는 풍부한 데이터에 빠르고 쉽게 액세스하고 AI를 완전히 수용할 수 있는 기반 기술이 필요합니다. 이것이 Postgres가 들어오는 곳입니다.
Postgres는 아마도 그 어느 때보다 AI 시대에 더 큰 관련성을 갖고 인기를 다시 얻은 지속적인 기술의 완벽한 기술적 예일 것입니다. 강력한 아키텍처, 다양한 데이터 유형에 대한 기본 지원 및 설계에 따른 확장성을 갖춘 Postgres는 독립적이고 안전한 환경에서 프로덕션에 즉시 사용 가능한 AI를 위해 데이터의 가치를 활용하려는 기업을 위한 주요 후보입니다.
EDB가 존재한 20년 동안 또는 Postgres가 기술로 존재했던 30년 이상 동안 업계는 진화, 변화 및 혁신을 거쳐 왔으며 이를 통해 모든 사용자는 계속해서 “Postgres를 사용”하여 가장 복잡한 데이터를 처리합니다. 도전.
오늘날 검색 증강 세대(RAG)가 어떻게 적용되고 있으며, 이것이 “지능형 경제”의 미래를 어떻게 형성한다고 보시나요?
RAG 흐름이 상당한 인기와 추진력을 얻고 있는 데에는 그럴 만한 이유가 있습니다! ‘지능형 경제’라는 맥락에서 RAG 흐름은 인간의 경험을 촉진하는 방식으로 정보에 대한 액세스를 가능하게 하며, 생성하는 데 상당한 수동 노력과 시간이 필요한 데이터와 정보 출력을 자동화하고 필터링하여 시간을 절약합니다. 보다 광범위하게 훈련된 LLM에 특정 콘텐츠를 추가할 수 있는 기능과 결합된 ‘검색’ 단계(검색)의 향상된 정확성은 관련 데이터를 사용하여 정보에 입각한 의사 결정을 가속화하고 향상할 수 있는 풍부한 기회를 제공합니다. 이에 대해 생각하는 유용한 방법은 마치 올바른 정보를 찾을 뿐만 아니라 상황에 맞는 방식으로 제시하는 숙련된 연구 조교가 있다고 생각하는 것입니다.
조직이 프로덕션 환경에서 RAG를 구현할 때 직면하는 가장 중요한 과제는 무엇이며, 이러한 과제를 해결하는 데 도움이 될 수 있는 전략은 무엇입니까?
기본적으로 데이터 품질은 AI의 차별화 요소입니다. RAG 애플리케이션의 정확성, 특히 생성된 응답은 항상 출력을 훈련하고 강화하는 데 사용되는 데이터의 품질에 따라 달라집니다. 생성 모델에 의해 적용되는 정교함 수준은 입력에 결함이 있는 경우 덜 유용하며 쿼리에 대한 적절하지 않고 예상치 못한 결과(종종 ‘환각’이라고도 함)로 이어집니다. 데이터 소스의 품질은 항상 생성 단계를 제공하는 검색된 콘텐츠의 성공에 핵심입니다. 출력이 최대한 정확하려면 LLM의 상황별 데이터 소스가 최대 가능한 날짜.
성능 관점에서 볼 때; 데이터가 검색되는 시기와 장소와 함께 RAG 애플리케이션이 달성하려는 목표에 대해 사전 대응적인 태도를 취하면 잠재적인 영향을 잘 이해할 수 있습니다. 예를 들어 RAG 흐름이 트랜잭션 데이터 소스(즉, 비즈니스에 중요한 지속적으로 업데이트되는 DB)에서 데이터를 검색하는 경우 이러한 소스에서 데이터를 가져오는 애플리케이션과 함께 주요 데이터 소스의 성능을 모니터링하면 RAG 흐름 단계의 영향에 대한 이해를 제공합니다. 이러한 조치는 중요한 트랜잭션 데이터 소스의 성능에 대한 잠재적 또는 실시간 영향을 관리하기 위한 훌륭한 단계입니다. 또한 이 정보는 적절한 데이터 검색에 초점을 맞추도록 RAG 애플리케이션을 조정하는 데 유용한 컨텍스트를 제공할 수도 있습니다.
AI용 특수 벡터 데이터베이스의 등장을 고려할 때 Postgres는 특히 AI 워크로드를 운영하려는 기업에 대해 이러한 솔루션에 비해 어떤 이점을 제공합니까?
미션 크리티컬 벡터 데이터베이스는 까다로운 AI 워크로드를 지원하는 동시에 기존 데이터 소스 및 구조화된 정보와 통합할 수 있는 데이터 보안, 가용성 및 유연성을 보장하는 기능을 갖추고 있습니다. AI/RAG 솔루션 구축에서는 벡터 데이터베이스를 활용하는 경우가 많습니다. 이러한 애플리케이션에는 고차원 데이터를 다루는 유사성 평가 및 권장 사항이 포함되기 때문입니다. 벡터 데이터베이스는 이러한 중요한 데이터 파이프라인의 저장, 관리 및 검색을 위한 효율적이고 효과적인 데이터 소스 역할을 합니다.
EDB Postgres는 AI용 벡터 데이터 관리의 복잡성을 어떻게 처리하며 AI 워크로드를 Postgres 환경에 통합할 때의 주요 이점은 무엇입니까?
Postgres에는 기본 벡터 기능이 없지만 pgVector는 Postgres의 나머지 데이터와 함께 벡터 데이터를 저장할 수 있는 확장입니다. 이를 통해 기업은 기존 데이터베이스 구조와 함께 벡터 기능을 활용하고 별도의 데이터 저장소와 복잡한 데이터 전송의 필요성을 줄여 AI 애플리케이션의 관리 및 배포를 단순화할 수 있습니다.
Postgres가 트랜잭션 워크로드와 분석 워크로드 모두에서 중심 역할을 하게 되면서 조직이 데이터 파이프라인을 간소화하고 복잡성을 추가하지 않고도 더 빠른 통찰력을 얻을 수 있도록 돕는 방법은 무엇입니까?
이러한 데이터 파이프라인은 AI 애플리케이션을 효과적으로 지원하고 있습니다. 수많은 데이터 저장 형식, 위치 및 데이터 유형으로 인해 검색 단계를 달성하는 방법의 복잡성은 특히 AI 애플리케이션이 개념 증명에서 생산으로 전환함에 따라 실질적인 과제가 됩니다.
EDB Postgres AI 파이프라인 확장은 Postgres가 AI 애플리케이션 스토리의 ‘데이터 관리’ 부분을 형성하는 데 어떻게 중요한 역할을 하는지 보여주는 예입니다. Postgres 또는 객체 스토리지에서 데이터를 가져오기 위한 자동화된 파이프라인으로 데이터 처리를 단순화하고, 새 데이터가 수집될 때 벡터 임베딩을 생성하고, 소스 데이터가 변경될 때 임베딩에 대한 업데이트를 트리거합니다. 이는 지루한 유지 관리 없이 쿼리 및 검색을 위해 항상 최신 데이터를 유지한다는 의미입니다. .
특히 AI가 지속적으로 발전하고 데이터 인프라에서 더 많은 것을 요구함에 따라 가까운 미래에 Postgres에서 어떤 혁신이나 개발을 기대할 수 있습니까?
벡터 데이터베이스는 결코 완제품이 아니며, 벡터 데이터베이스 기술에 대한 활용 및 의존도가 계속 증가함에 따라 추가 개발 및 개선이 예상됩니다. PostgreSQL 커뮤니티는 이 분야에서 계속해서 혁신을 거듭하고 있으며 pgVector 기능 자체의 발전과 함께 더 복잡한 검색 기준을 허용하도록 인덱싱을 향상시키는 방법을 모색하고 있습니다.
Postgres, 특히 EDB 제품을 통해 멀티 클라우드 및 하이브리드 클라우드 배포 요구 사항을 어떻게 지원하며, 이러한 유연성이 AI 기반 기업에 중요한 이유는 무엇입니까?
최근 EDB 연구에 따르면 현재 기업의 56%가 미션 크리티컬 워크로드를 하이브리드 모델로 배포하고 있어 민첩성과 데이터 주권을 모두 지원하는 솔루션의 필요성이 강조되고 있습니다. EDB의 향상된 기능을 갖춘 Postgres는 멀티 클라우드 및 하이브리드 클라우드 환경에 필수적인 유연성을 제공하여 AI 기반 기업이 유연성과 제어를 통해 데이터를 관리할 수 있도록 지원합니다.
EDB Postgres AI는 주권 제어를 통해 하이브리드 환경에 클라우드 민첩성과 관찰 가능성을 제공합니다. 이 접근 방식을 통해 기업은 AI 모델 관리를 제어하는 동시에 하이브리드 또는 멀티 클라우드 환경 전반에서 트랜잭션, 분석 및 AI 워크로드를 간소화할 수 있습니다. EDB는 다양한 인프라에서 데이터 이동성, 세분화된 TCO 제어 및 클라우드와 같은 경험을 지원함으로써 AI 기반 기업이 복잡한 데이터 요구에 더 빠르고 민첩하게 대응할 수 있도록 지원합니다.
AI가 엔터프라이즈 시스템에 점점 더 많이 내장됨에 따라 Postgres는 특히 AI 모델의 민감한 데이터를 처리하는 맥락에서 데이터 거버넌스, 개인 정보 보호 및 보안을 어떻게 지원합니까?
AI가 운영의 초석이자 경쟁 차별화 요소가 되면서 기업은 데이터 무결성을 보호하고 엄격한 규정 준수 표준을 유지해야 한다는 압박에 직면해 있습니다. 이렇게 진화하는 환경에서는 엄격한 거버넌스, 보안, 가시성이 단순한 우선순위가 아니라 전제조건인 데이터 주권이 최우선 과제입니다. 기업은 데이터가 어디에 있고 어디로 가는지 알고 확신해야 합니다.
Postgres는 AI 지원 데이터 환경의 백본 역할을 하며 하이브리드 및 멀티 클라우드 설정 전반에서 민감한 데이터를 관리할 수 있는 고급 기능을 제공합니다. 오픈 소스 기반을 통해 기업은 지속적인 혁신의 혜택을 누릴 수 있으며, EDB의 향상된 기능은 책임감 있게 AI 데이터를 처리하는 데 핵심이 되는 엔터프라이즈급 보안, 세분화된 액세스 제어 및 심층적인 관찰 가능성을 보장합니다. EDB의 Sovereign AI 기능은 이러한 자세를 바탕으로 AI 기능을 데이터에 적용하는 데 중점을 두고 데이터가 이동하는 위치와 이동하는 위치를 쉽게 제어할 수 있도록 합니다.
EDB Postgres가 특히 미션 크리티컬 애플리케이션의 경우 고가용성과 성능을 유지하면서 AI 워크로드를 확장할 수 있는 고유한 기능을 제공하는 이유는 무엇입니까?
EDB Postgres AI는 분석 및 AI 시스템을 고객의 핵심 운영 및 트랜잭션 데이터에 더 가깝게 가져옴으로써 데이터 인프라를 전략적 기술 자산으로 향상시키는 데 도움을 줍니다. 모두 Postgres를 통해 관리됩니다. 인프라 복잡성을 줄이고 비용 효율성을 최적화하며 데이터 주권, 성능 및 보안에 대한 기업 요구 사항을 충족함으로써 AI 기반 앱을 위한 데이터 플랫폼 기반을 제공합니다.
미션 크리티컬 워크로드에 대해 검증된 솔루션이 필요한 현대 운영자, 개발자, 데이터 엔지니어 및 AI 애플리케이션 빌더를 위한 우아한 데이터 플랫폼으로, 기업의 핵심 운영 데이터베이스 시스템을 사용하는 동안 분석 및 AI 기능에 액세스할 수 있습니다.
훌륭한 인터뷰에 감사드립니다. 더 자세히 알고 싶은 독자들은 방문하시기 바랍니다. EDB.
게시물 Jeremy Kelway, EDB 분석, 데이터 및 AI 엔지니어링 부문 부사장 – 인터뷰 시리즈 처음 등장한 Unite.AI.