过去的一年中，我们共同见证了生成式AI从起步到狂奔、再到各行各业的遍地开花。与此同时，生成式AI应用也对数据处理架构提出了新的挑战：如何在海量的私有数据中构建更加安全、更加准确、更加稳定、更高吞吐的 AI 应用，并满足用户对实时性的需求。

在本次分享中，我们将从 Redis 原厂的视角，结合 Redis 全球客户的使用案例，探讨 Redis 是如何在生成式 AI 时代应对数据处理平台的如下挑战：

• AI 应用层：内存向量数据库及 RAG 应用设计
• AI 存储层：内存向量数据库如何应对大数据量的查询请求
• AI 加速层：内存数据库作为在线特征存储的使用及调优

除此之外，本次分享也会简要介绍 Redis 8.0 的新功能及特性，更好地协助用户构建生成式 AI 实时系统。

演讲提纲

1. 现状与挑战

• GenAI 时代的新需求
• 现有数据处理系统架构的不足
• 数据量与数据处理速度的取舍

2. 内存向量数据库

• Redis 技术方案
• 功能及性能优势

3. RAG 应用落地的痛点及解决方案

• RAG 应用经常面临的问题
• Redis 作为 RAG 应用的优势
• 案例分享：金融业 RAG 使用场景及调优设计

4. 内存数据 vs 磁盘数据：速度与持久性的取舍？

• 内存 + SSD 混合存储的技术难点
• Redis 混合存储方案—— Redis Flex
• 案例分享：Redis 混合存储使用场景及注意问题

5. 内存特征数据库

• Redis 在线特征数据库的技术优势
• 案例分享：在线特征数据库的使用场景

6. 总结与展望

实践痛点

• GenAI 时代新的应用及框架层出不穷，用户很难做出选择
• 不同 AI 应用很难协同运作，导致架构复杂，使用难度较高
• Redis 版本过多，导致技术选型及架构设计很难统一
• 国内客户对 Redis 原厂的最新技术及用例了解相对有限

演讲亮点

使数据架构同时满足安全性、准确性、稳定性、实时性、高吞吐需求的实践经验

听众收益

• 了解 GenAI 实时处理数据架构的需求及解决方案
• 了解 Redis 社区版 8.0 的全新特性
• 了解 Redis 在不同行业 GenAI 应用的架构设计