Akamai lancerer Valkey-database til hurtigere virksomheds-AI

Caching kan forhindre en AI-applikation i at udføre det samme dyre arbejde igen og igen. Ved eksakt prompt-caching gemmes resultatet af identiske forespørgsler. Ved semantisk caching bruges vektorsimilaritet til at finde tidligere forespørgsler, der minder tilstrækkeligt om den nye.

Et typisk forløb er, at applikationen først laver en embedding af den nye forespørgsel, søger efter et lignende cachet spørgsmål og kun kalder modellen, hvis der ikke findes et gyldigt match.

Det kan forkorte svartiden og reducere antallet af modelkald i arbejdsgange med mange gentagne eller næsten ens forespørgsler. Gevinsten afhænger dog af blandt andet cache-hit-raten, kravene til aktualitet og den konkrete modelarbejdsgang. Caching kan ikke generelt erstatte hverken informationssøgning eller inferens.

Vektorsøgning til RAG

RAG-applikationer omdanner typisk dokumenter og forespørgsler til embeddings. Derefter søger de efter vektorer, der ligger tæt på hinanden, før den relevante kontekst sendes til modellen.

Valkey understøtter vektorsøgnings-workflows, så den samme in-memory-løsning kan håndtere nøgle-værdi-data, cachet indhold og vektorbaseret retrieval. For nogle applikationer kan det gøre dataflowet enklere og mindske behovet for at drive en separat vektordatabase.

Det betyder ikke, at specialiserede vektordatabaser er overflødige. Datamængde, datavarighed, filtrering, indeksering og krav til konsistens er stadig afgørende for valget af arkitektur.

Status og arbejdshukommelse til AI-agenter

AI-agenter arbejder ofte i flere trin. De kan have brug for at huske en samtale, gemme resultater fra værktøjer, følge fremdriften i en opgave og genoptage arbejdet fra et checkpoint.

Valkeys in-memory-datastrukturer og funktioner som vektorlager kan fungere som et hurtigt arbejdshukommelseslag til disse opgaver. Valkey dokumenteres også til sessionslagring og andre realtids-workloads.

Forskellen er vigtig: Et enkelt modelkald kan være tilstandsløst, mens applikationen omkring modellen er tilstandsbærende. Valkey leverer hverken agentens ræsonnement eller en garanti for korrekt adfærd. Det kan derimod give applikationen hurtig adgang til den status, der skal koordinere flere model- og værktøjskald.

Hvad betyder det, at databasen er administreret?

En selvbetjent Valkey-installation kræver, at et team opretter instanser, konfigurerer replikering og failover, overvåger ydeevnen, installerer opdateringer, skalerer kapaciteten og planlægger for høj tilgængelighed.

Akamais løsning skal flytte disse databaseopgaver til platformen. Udviklere kan dermed bruge Valkey som en tjeneste i stedet for selv at opbygge og vedligeholde hele driftslaget. Akamai beskriver produktet som en fuldt administreret højtydende platform, der skal reducere den operationelle kompleksitet og forkorte vejen fra idé til anvendelse.

Det fjerner dog ikke behovet for arkitekturvalg. Virksomheder skal stadig fastlægge politikker for dataopbevaring, cache-invalidering, adgangskontrol, holdbarhed, observability og gendannelse.

Valkey som supplement til Akamai Inference Cloud

Akamai Inference Cloud er beregnings- og routingdelen af selskabets distribuerede AI-strategi. Platformen blev lanceret i oktober 2025 med det formål at bringe agentbaseret AI-inferens ud mod kanten af netværket, tættere på brugere og enheder.

Valkey Managed Database tilføjer et nærliggende hukommelses- og retrieval-lag til den applikationsstatus, som inferensen har brug for.

Den tilsigtede arkitektur kan skitseres sådan:

1. Inferensressourcer kører modelarbejdsbelastninger tættere på brugere og data.
2. Valkey gemmer ofte anvendt kontekst, embeddings, cachede resultater og sessionsstatus i hukommelsen.
3. Vektorsøgning finder semantisk relevant information til RAG og semantisk caching.
4. Administreret drift mindsker arbejdet med at holde datalaget tilgængeligt.

Akamai har samtidig udbygget infrastrukturen bag strategien. Selskabet har annonceret tusindvis af NVIDIA Blackwell-GPU'er til distribuerede AI-workloads og fremhævet intelligent routing på tværs af netværket som en måde at mindske latenstid og problemer med dataudførsel fra centraliserede datacentre.

Valkey erstatter ikke dette beregningslag. Tanken er snarere at forbedre den datarejse, der omgiver den lav-latente inferens.

Hvorfor lanceringen er vigtig for Akamais cloud-forretning

Valkey Managed Database placerer Akamai bredere end den traditionelle rolle inden for indholdsdistribution og sikkerhed. Selskabet forsøger i stigende grad at samle beregning, datatjenester, edge-eksekvering og beskyttelse i en distribueret cloud-stack.

Lanceringen kommer samtidig med vækst i Akamais infrastrukturforretning. Cloud Infrastructure Services omsatte for 99 millioner dollar i andet kvartal 2026, hvilket var 39 procent mere end i samme kvartal året før.

I forbindelse med regnskabet for første kvartal oplyste Akamai desuden, at en førende leverandør af frontier-modeller havde indgået en syvårig forpligtelse på 1,8 milliarder dollar til Cloud Infrastructure Services. Det peger på større ambitioner inden for infrastruktur, men bør ikke tolkes som en Valkey-specifik kontrakt eller som dokumentation for, at alle dele af Akamais distribuerede AI-plan allerede er bredt udrullet.

Hvorfor Akamai har valgt Valkey

Valkey er en open source-nøgle-værdidatabase i hukommelsen, som opstod som en fork af Redis. Projektet er udviklet til fortsat at være open source, bevare kompatibilitet med Redis-protokoller og datastrukturer og understøtte caching og andre realtids-workloads.

For Akamai giver Valkey en velkendt højtydende datamodel til udviklere, der allerede arbejder med Redis-lignende caching og sessionslagring. Samtidig forbindes tjenesten med et open source-økosystem og AI-anvendelser som semantisk caching og vektorbaseret retrieval.

Valkey skal dog ikke ses som en universel erstatning for alle andre databasetyper. Relationelle databaser, dokumentdatabaser og specialiserede vektordatabaser kan fortsat være bedre valg afhængigt af kravene.

Konklusion

Valkey Managed Database kan bedst forstås som hukommelses- og retrieval-laget i Akamais distribuerede AI-arkitektur. Værdiforslaget er enkelt: Opbevar de mest aktuelle AI-data i hukommelsen, placér dem tættere på inferensen og brugerne, genbrug resultater, når det er muligt, understøt vektorbaseret informationssøgning og lad en administreret tjeneste håndtere driften.

De mest oplagte anvendelser er svartidsfølsomme assistenter, RAG-pipelines, semantisk caching og AI-agenter med flere trin. Strategisk forbinder lanceringen Akamais ambitioner inden for edge-inferens med den datainfrastruktur, som disse applikationer kræver.

Produktet beskrives imidlertid fortsat som en løsning med begrænset tilgængelighed. Påstande om præcis global dækning, tilgængelighed gennem kanalpartnere eller konkrete fremtidige placeringer kræver yderligere produkt- eller partnerdokumentation, før de kan betragtes som bekræftede.