课程简介

随着 AI 技术的火热，数据库与 AI 相结合技术也得到更多关注和发展，目前该领域的包括：AI4DB、DB4AI、向量数据库、Text2SQL、AI in DB 等技术方向。这些技术方向使数据库与 AI 相互赋能，挖掘出更多需求、带来新机会。

在 AI in DB 方向上，采用 PG 数据库内向量存储技术与深度学习相结合，为数据库应用设计了 SQL 为开发语言的深度学习框架 pg4ml。pg4ml 以 postgresql 的 array 特性为基础，采用神经网络计算流图遍历技术，跟踪前线传播、反向传播，执行链式求导，从而实现了模型训练与推理。

本次分享将通过案例，展示基于 pg4ml 框架，通过 SQL 构建模型、训练模型，并部署推理的库内全过程，为数据库相关与会者，提供巨大的框架参考价值。

课程收益

1、帮助学员了解AI与DB融合的问题与机遇

2、帮助学员深入了解当前技术在实现AI应用时所面临的障碍和瓶颈，并探索可能的解决方案

3、帮助学员学习并掌握AI in DB（人工智能在数据库中的应用）的技术方案及成本优化

受众人群

企业管理者，IT行业从业者及其他对PG数据库感兴趣的人员

课程周期

3H

课程大纲

1、AI  in DB 的技术优势

2、库内模型 的实现案例。

3、为什么是 SQL？

1）分享 SQL 即席查询特性。

2）讨论将神经网络结构抽象为通用配置的方法。

4、配置方式的模型开发过程助力 AGI 进化

1）动态神经网络结构对 AGI 的重要性。

2）python 代码与配置数据记录，两种神经网络构建方式对比。

5、AI in DB > DB4AI

1）讨论库内原生深度学习框架的优势，相对于将 DB4AI 与库外第三方的机器学习函数库结合使用。

2）展示库内深度学习框架如何简化模型构建。

6、AI +  vector + PG超融合数据库帮助降低 AI 推理模型的部署与应用难度。

1）讲解AI +  vector + PG 超融合数据库如何通过统一的数据存储和处理平台，简化推理模型的部署流程。

2）讲解AI +  vector + PG 超融合数据库如何降低 AI 应用的边际成本。

7、对比不同 DB + AI 的技术方案的不同，对比库内深度学习框架与当前主流框架的优劣势。

8、QA