Dave Stone 2025년 2월 3일 이 글은 Dave Stone, Jack Christie, Kirk Crenshaw가 공동 작성했습니다. 기술 역사상 생성형 AI(Generative AI, GenAI)만큼 뜨거운 관심을 받은 혁신은 거의 없습니다. OpenAI와 Meta 같은 기업, AWS와 Azure 같은 하이퍼스케일러가 시장을 주도하면서 많은 기업이 생성형 AI의 잠재력을 활용하기 위해 움직이고 있습니다. 대규모 언어 모델(Large Language Model, LLM)은 계속해서 주목받고 있으며, OpenAI의 GPT-4o와 Meta의 Llama 3.2에 이어 DeepSeek의 R1과 같은 새로운 모델이 등장하며 시장의 판도가 빠르게 바뀌고 있습니다. 이러한 변화 속에서 기업은 모든 최신 기술을...

Dave Stone 2025년 3월 26일 EDB Postgres AI로 혁신을 가속화하고 있는 ISV의 실제 성공 사례 이 블로그는 Greg Walker와 David Stone이 공동 집필했습니다. 독립 소프트웨어 벤더(Independent Software Vendor, ISV)가 선택하는 데이터베이스는 애플리케이션의 성능뿐 아니라 운영 비용, 기능 개발 속도, 시장 경쟁력에도 영향을 미칩니다. 올바른 데이터 플랫폼은 소프트웨어 기업이 직면한 기술적 과제를 경쟁 우위로 전환하는 기반이 될 수 있습니다. ISV는 빠른 혁신과 비용 절감이라는 두 가지 과제를 동시에 해결해야 합니다. 고객은 생성형 AI(GenAI) 기반 기능과 뛰어난 성능, 안정적인 서비스를 기대하며, 소프트웨어 기업은 치열한 시장에서...

Dave Stone 2025년 6월 16일 공동 저자: Jack Christie, Dave Stone EDB Postgres AI Factory는 복잡성의 함정에서 벗어나 AI 이니셔티브를 단 몇 주 만에 개념 단계에서 프로덕션 환경으로 전환할 수 있도록 지원하는 통합 생성형 AI(GenAI) 추론 및 에이전트 플랫폼입니다. 이 글에서는 EDB Postgres AI Factory가 해결하는 GenAI 통합 과제와 주요 기능, 비즈니스 활용 사례 및 EDB의 내부 도입 성과를 살펴봅니다. AI 도입의 역설: 높아진 기대와 커지는 복잡성 기업들은 점점 더 많은 GenAI 성과를 요구받고 있지만, 실제 구축 과정은 갈수록 복잡해지고 있습니다. 몇 주면 충분할 작업이 몇 달로 늘어나고, 팀을 지원해야 할 시스템이...

작성자: Dave Stone 게시일: 2025년 7월 2일 공동 작성자: Neel Chopra 최종 수정일: 2026년 8월 26일 생성형 AI(GenAI) 애플리케이션을 경쟁사보다 빠르게 제공하려면 모델뿐 아니라 데이터의 품질과 접근성, 관리 방식까지 함께 고려해야 합니다. 이 글에서는 분산된 단일 목적 데이터 스토어가 AI 개발 복잡성을 높이는 이유와 EDB Postgres AI를 중심으로 데이터를 통합해 모델 학습과 추론을 지원하는 방법을 살펴봅니다. AI 프로젝트가 PoC를 넘어 생산화되지 못하는 이유 많은 조직이 AI의 가능성을 실질적인 결과로 전환하는 데 어려움을 겪습니다. 핵심 원인은 모델 아래에 있는 데이터입니다. 특히 GenAI 애플리케이션의 성능은 데이터의 품질과 접근성에 직접적으로...

작성자: Dave Stone, Jack Christie (2025년 12월 16일) 1. 교보문고가 직면한 클라우드 DW 비용 문제 “50TB 규모의 클라우드 데이터 웨어하우스(CDW)를 운영하면서, 감당할 수 없을 정도로 치솟는 비용 문제 때문에 밤잠을 설쳤습니다.” 대한민국의 대표적인 서점인 교보문고 IT 지원팀의 정흥식 팀장이 설명한 실제 고민입니다. 클라우드 DW의 종량제(Consumption-based) 과금 모델은 초기 도입 단계나 간헐적인 데이터 엔지니어링 작업에는 효율적일 수 있습니다. 하지만 수백 명의 현업 사용자가 동시에 대시보드를 새로고침하고 보고서를 조회하는 고동시성(High-concurrency) BI 워크로드에서는 상황이 달라집니다. 쿼리와 리소스 사용량이 증가할수록 비용도 함께...

작성자: Dave Stone 작성일: 2026년 3월 31일 (본 포스트는 Jack Christie와 Dave Stone이 공동 작성했으며, 2026년 3월 31일 최신 인사이트를 반영하여 업데이트되었습니다.) 최종 수정일: 2026년 9월 7일 클라우드 데이터 웨어하우스의 종량제 과금 모델은 변동성 높은 데이터 엔지니어링 작업에 유용합니다. 그러나 여러 비즈니스 사용자가 동시에 대시보드와 리포트를 조회하고 AI 에이전트까지 쿼리를 생성하는 환경에서는 클라우드 데이터 웨어하우스 비용을 예측하기 어려워질 수 있습니다. 이 글에서는 교보문고 사례와 McKnight Consulting Group의 벤치마크를 바탕으로 고동시성 BI 워크로드의 비용 문제를 살펴봅니다. 또한 Postgres 기반...

Dave Stone · 2026년 6월 23일 많은 기업이 AI 에이전트 파일럿을 시작한 뒤 프로덕션 전환 단계에서 벽에 부딪힙니다. 문제는 대개 모델이 아니라 그 아래의 데이터 기반입니다. 고객들은 자사 데이터를 두고 같은 질문을 던집니다. 상호작용 전반의 맥락을 유지할 기억(memory)을 에이전트에게 어떻게 제공할 것인가? 고유 데이터를 근거로 추론하게 할 지식은 어떻게 연결할 것인가? 엔터프라이즈 규모에서 안정적으로 실행할 운영 기반은 어떻게 마련할 것인가? 이 질문들은 모두 AI 에이전트 데이터베이스와 연결된 문제입니다. 일부는 이미 잘 알려져 있지만, 일부는 제대로 해결하기까지 수년의 엔터프라이즈 경험이 필요합니다. EDB가 고객을 위해 구축해 온 것도 바로 데이터 자산(data estate)...

This post covers what we’ve built, why it matters for regulated industries, and what independent benchmarks show when you measure EDB Postgres® AI(EDB PG AI) alongside Databricks, MongoDB, Snowflake (Crunchy Bridge), Amazon Aurora, and others on the metrics that actually determine whether an AI agent can run in production.

High-concurrency BI workloads expose a fundamental mismatch in consumption-based cloud data warehouses, where predictable daily querying drives unpredictable costs. Postgres-based MPP architectures like EDB Postgres AI for WarehousePG handle the same workloads with a single cluster, delivering consistent performance and significantly lower cost by avoiding auto-scaling sprawl. Enterprise examples show how capacity-based analytics better supports modern BI, AI-driven querying, and data sovereignty requirements.

Explore why centralizing on Postgres with EDB Postgres AI is key for delivering GenAI applications faster than the competition.