اخبار شرکت هوش مصنوعی عاملی تجزیه و تحلیل و عملیات را وادار به همگرایی می کند

شرکت‌های امروزی به یک ساختار هوش مصنوعی و داده یکپارچه نیاز دارند: یک بنیاد مستقل و یکپارچه که در آن تجزیه و تحلیل، عملیات داده‌های اصلی و ابتکارات هوش مصنوعی به طور منسجم توسط طراحی اداره می‌شوند. در این دوره جدید، رهبران بازار دیگر با یک قابلیت مستقل و بهترین در کلاس تعریف نمی شوند. در عوض، پیروزی به آن سازمان‌هایی تعلق خواهد گرفت که به طور ایمن قابلیت‌های متقابل عملکردی را همگرا می‌کنند، سیلوهای داخلی را تجزیه می‌کنند و به عنوان یک پلتفرم داده و هوش مصنوعی یکپارچه و مستقل عمل می‌کنند.

همگرایی را نمی توان بر اساس پراکندگی ایجاد کرد

بسیاری از پلتفرم‌های تحلیلی اول اکنون در حال سقوط هستند و پایگاه داده عملیاتی را اضافه یا به دست می‌آورند

قابلیت تکمیل تصویر عاملی اما این "همگرایی از طریق دلبستگی" می تواند اصطکاک ایجاد کند:

• داده های تکراری در سراسر سیستم ها

• پینگ پنگ داده بین انبارها و فروشگاه های عملیاتی

• تأخیر غیر قابل پیش بینی

• حکمرانی تکه تکه

• رمز فرار و محاسبه هزینه ها

این مهم است زیرا عوامل ناکارآمدی را تقویت می کنند. هر ثانیه اضافی از ترکیبات تاخیر در چند مرحله

گردش کار هر سیستم تکراری بار حاکمیت و ریسک عملیاتی را افزایش می دهد.

هم‌گرایی اکنون پیش‌شرط مقیاس است که با فروپاشی پیچیدگی به یک مستقل و مستقل به دست می‌آید.

پایه و اساس

لحظه رنسانس: سکوها باید برای تمام فصول باشد

پلتفرم های نسل بعدی باید بیشتر از یک انبار، بیشتر از یک موتور معاملاتی و

بیش از یک زنجیره ابزار هوش مصنوعی. در دوره نمایندگی، زیرساخت باید از سه دامنه به طور همزمان پشتیبانی کند:

• اجرای عملیاتی

• تجزیه و تحلیل با همزمانی بالا

• استدلال و ارکستراسیون هوش مصنوعی

بهینه سازی برای یک بار کاری به صورت مجزا دیگر کار نمی کند. همگرایی بادوام از مرحله عملیاتی شروع می شود

لایه اعتماد و به سمت بالا به تجزیه و تحلیل و بارهای کاری بومی هوش مصنوعی گسترش می یابد. بعد از این واقعیت نمی توان آن را پیچ کرد.

این مسیری است که Postgres به سمت آن در حال تکامل است: نه فقط یک پایگاه داده تراکنشی، بلکه یک پایگاه داده یکپارچه و تحت کنترل

پایه ای برای اجرای عملیاتی، تجزیه و تحلیل با همزمانی بالا، و استدلال هوش مصنوعی بر روی داده های زنده.

تجزیه و تحلیل با شتاب GPU، اجرای عامل را به داده ها نزدیک می کند

مرز بعدی اجرای تجزیه و تحلیل GPU اول است. همانطور که دوین پرت، مدیر تحقیقات IDC، اخیرا اشاره کرد:

"ورود نیروی کار عامل نیازمند بازنگری در معماری داده است. برای مرتبط ماندن، شرکت ها

نیاز به کاهش پینگ پنگ داده در پلتفرم های تکه تکه شده است که می تواند پیشرفت را متوقف کند. EDB Postgres AI،

مجهز به هوش مصنوعی NVIDIA و محاسبات شتاب‌دهنده، به‌عنوان دستگاهی با سرعت بالا و آماده برای شرکت‌ها قرار گرفته است.

پایه ای برای عملیاتی کردن این سیستم های عامل در مقیاس، با هدف کمک به سازمان ها برای آماده شدن

دوره بعدی کار مستقل."

از طریق ادغام با Apache Spark که توسط NVIDIA cuDF تسریع شده است، موتور تجزیه و تحلیل EDB می تواند بارگیری کند

بارهای کاری تحلیلی برای GPU ها، امکان:

• تا 50 تا 100 برابر تجزیه و تحلیل سریعتر در مجموعه داده های چند ترابایتی

• جداسازی بار کاری مبتنی بر GPU برای محافظت از عملکرد جستجوی عملیاتی

• پشتیبانی از معماری خانه دریاچه و قابلیت های حاکمیتی از طریق Apache Iceberg

این به عوامل اجازه می دهد تا در عرض چند ثانیه به جای چند ساعت، ترابایت داده را پرس و جو کرده و ترکیب کنند.

تجزیه و تحلیل مکالمه، تصمیم گیری بلادرنگ، و ارکستراسیون چند عاملی بدون داده های تکراری

در میان انبارها و دریاچه‌ها و بدون اینکه کاربر مجبور باشد Postgres را ترک کند.

زیرساخت های مستقل برندگان پلتفرم هوش مصنوعی را مشخص خواهند کرد