MongoDB integra Atlas Vector Search con Amazon Bedrock de AWS para impulsar los modelos de IA generativa
En Resumen
La integración de Atlas Vector Search de MongoDB con Amazon Bedrock de AWS tiene como objetivo acelerar el desarrollo de aplicaciones impulsadas por IA generativa.
En AWS re:Invent 2023, base de datos nativa de la nube MongoDB anunció sus planes de integración Búsqueda vectorial del Atlas de MongoDB con lecho rocoso del amazonas, para ayudar al desarrollo de aplicaciones de inteligencia artificial en Amazon Web Services (AWS), aprovechando su reconocida infraestructura en la nube.
La colaboración tiene como objetivo agilizar la incorporación de inteligencia artificial generativa y capacidades de búsqueda semántica, mejorando la experiencia y el compromiso del usuario.
MongoDB Atlas Vector Search utiliza datos operativos para integrar IA generativa en aplicaciones, brindando experiencias personalizadas al usuario final. La integración con Amazon Bedrock está preparada para empoderar a los desarrolladores, simplificando la creación de Aplicaciones de AWS utilizando IA generativa para diversos casos de uso.
Permitirá que las aplicaciones proporcionen respuestas actualizadas basadas en datos patentados procesados por MongoDB Atlas Vector Search.
A diferencia de las soluciones complementarias que únicamente almacenan datos vectoriales, MongoDB Atlas Vector Search funciona como una base de datos vectorial escalable y de alto rendimiento. Se integra con una base de datos operativa distribuida globalmente capaz de almacenar y procesar todo el conjunto de datos de una organización.
A través de la integración con Amazon Bedrock, los clientes obtienen la capacidad de personalizar los modelos básicos (FM) de forma privada, colaborando con AI21 Labs, Amazon, Antrópico, Cohere, Meta y Stability AI. El proceso implica incorporar datos propietarios, convertirlos en incrustaciones de vectores y aprovechar MongoDB Atlas Vector Search para procesar estas incrustaciones.
“Si bien MongoDB Atlas Vector Search puede funcionar con muchos tipos de modelos básicos (FM) de proveedores como OpenAI, Hugging Face, Microsoft Azure, Google Cloud, Anthropic y otros: Amazon Bedrock ofrece una selección de FM administrados de alto rendimiento que los desarrolladores pueden usar para convertir datos propietarios (imágenes, texto, video, etc.) en vectores para que los FM sean grandes. Los modelos de lenguaje pueden procesarlos y proporcionar respuestas a las solicitudes de los usuarios finales”, dijo Andrew Davidson, vicepresidente senior de producto de MongoDB. Metaverse Post.
Impulsando aplicaciones de IA generativa con búsqueda de vectores
MongoDB dijo que las aplicaciones resultantes, que utilizan la generación aumentada de recuperación (RAG) de Agents for Amazon Bedrock, podrán responder las consultas de los usuarios con información relevante y contextualizada sin codificación manual.
"La generación aumentada de recuperación (RAG) es ahora un patrón de arquitectura común donde las organizaciones pueden proporcionar datos propietarios a modelos básicos (FM) para personalizar las respuestas a las solicitudes de los usuarios finales para que sean más personalizadas, precisas y relevantes", dijo Davidson de MongoDB. Metaverse Post. "Esto reduce las llamadas alucinaciones a las que los FM pueden ser propensos y proporciona a los usuarios finales respuestas más confiables".
Por ejemplo, una organización minorista de ropa podría desarrollar un IA generativa Aplicación para automatizar tareas como procesar solicitudes de inventario en tiempo real o personalizar devoluciones e cambios de clientes sugiriendo mercancías similares en stock.
"Al proporcionar modelos básicos (FM) con contexto a partir de los datos patentados de una organización procesados por MongoDB Atlas Vector Search, los usuarios finales pueden recibir respuestas más personalizadas y precisas a sus solicitudes", dijo Davidson de MongoDB. Metaverse Post. "Debido a que los vectores se almacenan junto con metadatos, datos operativos, datos de series temporales, datos geoespaciales y otros tipos de datos, Atlas Vector Search puede realizar consultas más complejas que las bases de datos vectoriales integradas a través de una única API y lenguaje de consulta".
Las organizaciones también podrían implementar MongoDB Atlas en los principales proveedores de nube simultáneamente para obtener máxima disponibilidad y confiabilidad, junto con controles de seguridad y privacidad de datos, fundamentales para los clientes, especialmente aquellos en industrias reguladas.
“Los desarrolladores pueden evolucionar fácilmente el modelo de datos en lugar de rediseñar un esquema de datos completo, lo que puede llevar meses de trabajo y retrasar la implementación de nuevas funciones de aplicaciones, incluidas aquellas que utilizan IA generativa, sin tener que preocuparse por el gasto de pasar continuamente a aplicaciones más grandes. y grupos de bases de datos más grandes”, añadió Davidson de MongoDB.
Se espera que la integración de MongoDB Atlas Vector Search con Amazon Bedrock esté disponible en AWS en los próximos meses.
Aviso
En línea con la Directrices del Proyecto Confianza, tenga en cuenta que la información proporcionada en esta página no pretende ser ni debe interpretarse como asesoramiento legal, fiscal, de inversión, financiero o de cualquier otro tipo. Es importante invertir sólo lo que pueda permitirse perder y buscar asesoramiento financiero independiente si tiene alguna duda. Para mayor información sugerimos consultar los términos y condiciones así como las páginas de ayuda y soporte proporcionadas por el emisor o anunciante. MetaversePost se compromete a brindar informes precisos e imparciales, pero las condiciones del mercado están sujetas a cambios sin previo aviso.
Sobre el Autor
Victor es editor/escritor técnico en jefe en Metaverse Post y cubre inteligencia artificial, criptografía, ciencia de datos, metaverso y ciberseguridad dentro del ámbito empresarial. Cuenta con media década de experiencia en medios e inteligencia artificial trabajando en medios de comunicación reconocidos como VentureBeat, DatatechVibe y Analytics India Magazine. Al ser mentor de medios en prestigiosas universidades, incluidas Oxford y USC, y con una maestría en ciencia y análisis de datos, Víctor está profundamente comprometido a mantenerse al tanto de las tendencias emergentes. Ofrece a los lectores las narrativas más recientes y reveladoras de la tecnología y Web3 paisaje.
Más artículos
Victor es editor/escritor técnico en jefe en Metaverse Post y cubre inteligencia artificial, criptografía, ciencia de datos, metaverso y ciberseguridad dentro del ámbito empresarial. Cuenta con media década de experiencia en medios e inteligencia artificial trabajando en medios de comunicación reconocidos como VentureBeat, DatatechVibe y Analytics India Magazine. Al ser mentor de medios en prestigiosas universidades, incluidas Oxford y USC, y con una maestría en ciencia y análisis de datos, Víctor está profundamente comprometido a mantenerse al tanto de las tendencias emergentes. Ofrece a los lectores las narrativas más recientes y reveladoras de la tecnología y Web3 paisaje.
