Daten treffen KI

Daten Systeme entwickeln sich mit KI weiter. KI verändert nicht nur, wie wir moderne Datenplattformen erstellen, abfragen, durchsuchen und beobachten, sondern bringt auch ganz neue Arten von Daten und Arbeitslasten ins Spiel. Begleiten Sie uns zu einem Morgen über Datenbanken und KI, während Ingenieure aus der Community praktische Erfahrungen über die Zusammenführung von Daten und KI teilen. Vom Finden des richtigen Weges, um durch Milliarden von Vektoren zu suchen, über die Schaffung von konversationalen Datenbanken bis hin zum Verständnis dessen, was nötig ist, um moderne KI-Plattformen zu beobachten - dieses Meetup wird die Systeme erforschen, die die KI-Revolution leise antreiben. Egal, ob Sie KI-Anwendungen entwickeln, an Dateninfrastrukturen arbeiten oder einfach nur neugierig sind, was passiert, wenn Daten auf KI treffen, dieses Meetup ist für Sie. Verpassen Sie es nicht! RSVP und sichern Sie sich Ihren Platz! Agenda Was Sie erwarten können Erwarten Sie tiefgehende technische Vorträge und Geschichten aus der realen Welt rund um die Schnittstelle von Dateninfrastruktur und KI. Erwarten Sie praktische Einblicke, Architektur-Tiefenanalysen und Erkenntnisse aus dem Bau und dem Betrieb dieser Systeme in der realen Welt. Wir schließen mit Networking über das Mittagessen ab, damit Sie die Gelegenheit haben, Ideen und Erfahrungen mit anderen Data Engineers, Datenbank-Enthusiasten, Plattform-Ingenieuren und KI-Bauern auszutauschen. Bringen Sie Ihre Fragen, Ihre Erfahrungen und Ihre Neugier über die Systeme hinter der KI mit. *** Sitzungsdetails: Sprechen Sie mit Ihren Daten: Jenseits von SQL Begleiten Sie uns für einen praktischen Blick darauf, wie man eine konversationale Schnittstelle in natürlicher Sprache für Datenbanken von Grund auf neu erstellt! Wir werden untersuchen, wie wir dieses System mit ClickHouse integriert haben, um die komplexe Datenexploration für verschiedene Ingenieure und Geschäftsrollen mühelos zu gestalten. Neben den Funktionsdemos werden wir die realen Probleme teilen, die dieser Ansatz löst, die zentralen technischen Herausforderungen, auf die wir beim Bau gestoßen sind, und die wichtigsten technischen Lektionen, die wir gelernt haben. Egal, ob Sie an KI-gesteuerten Datenbanktools, LLM-Integrationen oder der Benutzererfahrung bei Analytik interessiert sind, Sie werden umsetzbare Einblicke für Ihre eigenen Projekte mitnehmen. Referenten: Sachidananda Maharana, SMTS @ Nutanix & Punith Subashchandra, MTS-3 @ Nutanix Sitzungsdetails: Vektorensuche: Brauchen Sie wirklich eine weitere Datenbank? Die Vektorensuche hat sich schnell zu einem wichtigen Baustein für KI-Anwendungen entwickelt - bedeutet dies jedoch immer, eine neue Datenbank einzuführen? Dieser Vortrag wird eine Reise durch die Vektorensuche, ihre Entwicklung und den tatsächlichen Mehrwert unternehmen. Wir werden reale Anwendungsfälle erkunden, die von der Vektorensuche profitieren, die Kompromisse bei der Wahl einer Vektordatenbank, und wie man bewertet, ob eine spezialisierte Vektordatenbank oder eine bestehende Datenbank wie PostgreSQL oder ClickHouse die richtige Wahl für Ihre Arbeitslast ist. Wir werden uns ansehen, welche Funktionen vorhandene Datenbanken bereits für die Vektorensuche bieten, wo sie gut funktionieren und wo eine spezialisierte Vektordatenbank erhebliche Vorteile bieten kann. Referenten: Pranav Mehta, MTS -4 @ Nutanix & Kailash Kejriwal, MTS-1 @ Nutanix Sitzungsdetails: Optimierung der Inferenz mit ClickHouse-gestützter Beobachtbarkeit Die Inferenzleistung ist arbeitslastspezifisch. Ein Hochdurchsatz-Batch-Zusammenfassungsjob kümmert sich um die Gesamtanzahl der pro Sekunde verarbeiteten Tokens und kann ein langsames erstes Token tolerieren. Ein Codierungsassistent optimiert stattdessen die Zeit bis zum ersten Token, da ein Entwickler den Cursor im Auge behält. Codierungsassistenten verwenden auch den Kontext über Anfragen hinweg - dasselbe System-Prompt, dieselbe Datei. Das macht das Prefetch-Caching zu einem der größten Hebel für Kosten und Latenz. Agentische, mehrstufige Werkzeugaufrufe sehen anders aus. Eine Anfrage verwandelt sich in eine Kette von Aufrufen: Planen, ein Werkzeug aufrufen, das Ergebnis zurückspritzen, wiederholen. Die Kettenlänge ist nicht im Voraus bekannt. Daher ist die wichtige Kennzahl nicht die Geschwindigkeit eines einzelnen Aufrufs - es ist, wie lange die gesamte Aufgabe dauert. Für eine Arbeitslast, die so geformt ist, bedeutet die Anpassung der Leistung, zwei Sichtweisen zu nutzen: eine aggregierte Sicht, um zu erkennen, dass die Aufgabenlatenz abnimmt (Metriken), und eine detaillierte Sicht, um herauszufinden, welcher Schritt in welcher Kette verantwortlich ist (Traces). Dieser Vortrag ist eine Fallstudie zur Optimierung einer solchen agentischen Arbeitslast auf Nutanix Enterprise AI (NAI). Wir haben ClickHouse als einzigen Backend für sowohl Metriken als auch Traces über Jaeger verwendet. Das ermöglichte es uns, von "irgendetwas stimmt nicht im Aggregat" zu "hier ist die genaue Aufgabe, und der genaue Schritt, der zeigt, warum", ohne die Systeme zu wechseln! Wir werden erläutern, wie Jaegers Modell der Eltern-Kind-Spanne auf die Aufrufkette eines Agenten abgebildet wird. Wir werden durchgehen, wie wir diese Daten in ClickHouse strukturiert haben, wie sie schnell blieben, selbst mit vielen verschiedenen Tags zum Filtern und Gruppieren, und wie ClickHouse's Abfrage-Cache unsere wiederholten Debugging-Abfragen kostengünstig hielt. Schließlich werden wir teilen, was wir gefunden und behoben haben - und wie wir nun den gleichen Ansatz für andere Inferenzarbeitslasten ausrollen. Referenten: Shiv Jha, Staff Engineer @ Nutanix & Aishwarya Raimule, MTS-4 @ Nutanix Sitzungsdetails: Das Modell bekommt die Schlagzeilen. Die Datenbank gewinnt das Rennen. Jeder streitet darüber, welches Modell das beste ist. Fast niemand spricht über das System darunter. In der F1 erhält der Fahrer die Trophäe, aber das Auto entscheidet darüber, wer auf dem Podium steht. Produktions-KI funktioniert auf die gleiche Weise: Das Modell ist der Teil, den die Nutzer sehen, während die Datenschicht entscheidet, ob Ihr Produkt sofort oder unbrauchbar wirkt. Dieser Vortrag ordnet das F1-Feld in ein Produktions-KI-System ein: Modelle als Fahrer, Daten als Kraftstoff, Beobachtbarkeit als Telemetrie. Dann zeigt es die vollständige Schleife live: natürliche Sprachfragen über F1-Renn Daten durch LibreChat, ein Agent, der ClickHouse über MCP abfragt, und jede Anfrage wird in Langfuse nachverfolgt, wobei Latenz, Tokens und Kosten als einfache SQL abfragbar sind. Sie werden wissen, wie Sie Ihr KI-System wie ein Renningenieur instrumentieren und warum die Teams, die gewinnen, die sind, die das ganze Auto bauen. Referent: Siddhant Agarwal, Senior Developer Relations Advocate - APJ @ ClickHouse Wir sehen uns beim Meetup!