Open Source trifft KI: PostgreSQL für moderne Vektor-Workloads

PostgreSQL entwickelt sich stetig weiter – auch im Bereich moderner Use Cases wie Vektorsuche.

In diesem Vortrag zeigen wir anhand aktueller Benchmark-Ergebnisse, wie leistungsfähig PostgreSQL mit den Erweiterungen wie pgvector oder pgvecto.rs im Vergleich zu spezialisierten Vektor-Datenbanken ist. Untersucht wurden unterschiedliche Datenmengen, Vektordimensionen und Konfigurationen – von Standard bis optimiert.

Das Ergebnis: PostgreSQL ist mehr als nur relational – auch im KI-Zeitalter.

Vorkenntnisse

• Grundkenntnisse in relationalen Datenbanken und PostgreSQL werden vorausgesetzt.
  
• Erfahrungen mit Suchtechnologien, Indexierung oder maschinellem Lernen sind hilfreich, aber nicht zwingend notwendig.
  
• Ein Verständnis für Vektorrepräsentationen (z. B. aus NLP oder Embeddings) erleichtert den Einstieg.

Lernziele

Die Teilnehmenden

• lernen, wie sich PostgreSQL durch Erweiterungen für KI-Workloads wie Vektorsuche nutzen lässt.
  
• Sie verstehen die Leistungsunterschiede zwischen pgvector und pgvecto.rs,
  
• gewinnen Einblick in Benchmarking-Methodik für Vektordaten
  
• und erfahren, unter welchen Konfigurationen PostgreSQL auch bei hochdimensionalen Daten effizient bleibt.