MongoDB integra Atlas Vector Search con Amazon Bedrock di AWS per potenziare i modelli di intelligenza artificiale generativa
In Breve
L'integrazione di Atlas Vector Search di MongoDB con Amazon Bedrock di AWS mira ad accelerare lo sviluppo di applicazioni basate sull'intelligenza artificiale generativa.
Ad AWS re:Invent 2023, database nativo del cloud MongoDB ha annunciato i suoi piani di integrazione Ricerca vettoriale Atlas MongoDB con Roccia Amazzonica, per favorire lo sviluppo di applicazioni AI su Amazon Web Services (AWS), sfruttando la sua rinomata infrastruttura cloud.
La collaborazione mira a semplificare l’incorporazione di intelligenza artificiale generativa e capacità di ricerca semantica, migliorando l’esperienza e il coinvolgimento degli utenti.
MongoDB Atlas Vector Search utilizza dati operativi per integrare l'intelligenza artificiale generativa nelle applicazioni, offrendo esperienze personalizzate all'utente finale. L'integrazione con Amazon Bedrock è pronta a potenziare gli sviluppatori, semplificando la creazione di Applicazioni AWS utilizzando l’intelligenza artificiale generativa per diversi casi d’uso.
Consentirà alle applicazioni di fornire risposte aggiornate basate su dati proprietari elaborati da MongoDB Atlas Vector Search.
A differenza delle soluzioni aggiuntive che memorizzano esclusivamente dati vettoriali, MongoDB Atlas Vector Search funziona come un database vettoriale performante e scalabile. Si integra con un database operativo distribuito a livello globale in grado di archiviare ed elaborare l'intero set di dati di un'organizzazione.
Attraverso l'integrazione con Amazon Bedrock, i clienti acquisiscono la possibilità di personalizzare privatamente i modelli di fondazione (FM), collaborando con AI21 Labs, Amazon, Antropico, Cohere, Meta e Stability AI. Il processo prevede l'incorporazione di dati proprietari, la loro conversione in incorporamenti vettoriali e l'utilizzo di MongoDB Atlas Vector Search per elaborare questi incorporamenti.
“Mentre MongoDB Atlas Vector Search può funzionare con molti tipi di modelli di fondazione (FM) di fornitori come OpenAI, Hugging Face, Microsoft Azure, Google Cloud, Anthropic e altri: Amazon Bedrock offre una scelta di FM gestiti ad alte prestazioni che gli sviluppatori possono utilizzare per convertire dati proprietari (immagini, testo, video, ecc.) in vettori in modo che i FM amino grandi dimensioni i modelli linguistici possono elaborarli e fornire risposte alle richieste degli utenti finali", ha dichiarato Andrew Davidson, SVP of Product presso MongoDB Metaverse Post.
Metti il turbo alle app di intelligenza artificiale generativa con la ricerca vettoriale
MongoDB ha affermato che le applicazioni risultanti, che utilizzano gli agenti per la generazione aumentata di recupero (RAG) di Amazon Bedrock, saranno in grado di rispondere alle domande degli utenti con informazioni pertinenti e contestualizzate senza codifica manuale.
"La generazione aumentata di recupero (RAG) è ora un modello di architettura comune in cui le organizzazioni possono fornire dati proprietari a modelli di fondazione (FM) per personalizzare le risposte alle richieste degli utenti finali in modo che siano più personalizzate, accurate e pertinenti", ha dichiarato Davidson di MongoDB Metaverse Post. “Ciò riduce le cosiddette allucinazioni a cui i FM possono essere inclini e fornisce agli utenti finali risposte più affidabili”.
Ad esempio, un'organizzazione di vendita al dettaglio di abbigliamento potrebbe sviluppare a IA generativa applicazione per automatizzare attività come l'elaborazione di richieste di inventario in tempo reale o la personalizzazione dei resi e degli scambi dei clienti suggerendo merce simile in stock.
"Fornendo modelli di fondazione (FM) con il contesto dei dati proprietari di un'organizzazione elaborati da MongoDB Atlas Vector Search, gli utenti finali possono ricevere risposte più personalizzate e accurate alle loro richieste", ha dichiarato Davidson di MongoDB Metaverse Post. "Poiché i vettori vengono archiviati insieme a metadati, dati operativi, dati di serie temporali, dati geospaziali e altri tipi di dati, Atlas Vector Search può eseguire query più complesse rispetto ai database vettoriali integrati tramite un'unica API e un unico linguaggio di query."
Le organizzazioni sarebbero anche in grado di implementare MongoDB Atlas su tutti i principali fornitori di cloud contemporaneamente per la massima disponibilità e affidabilità, insieme ai controlli di sicurezza e privacy dei dati, fondamentali per i clienti, soprattutto quelli dei settori regolamentati.
“Gli sviluppatori possono facilmente evolvere il modello di dati anziché riprogettare un intero schema di dati, il che può richiedere mesi di lavoro e ritardare l’implementazione di nuove funzionalità applicative, comprese quelle che utilizzano l’intelligenza artificiale generativa, senza doversi preoccupare delle spese legate al continuo passaggio a sistemi più grandi. e cluster di database più grandi", ha aggiunto Davidson di MongoDB.
Si prevede che l'integrazione di MongoDB Atlas Vector Search con Amazon Bedrock sarà disponibile su AWS nei prossimi mesi.
Negazione di responsabilità
In linea con la Linee guida del progetto Trust, si prega di notare che le informazioni fornite in questa pagina non intendono essere e non devono essere interpretate come consulenza legale, fiscale, di investimento, finanziaria o di qualsiasi altra forma. È importante investire solo ciò che puoi permetterti di perdere e chiedere una consulenza finanziaria indipendente in caso di dubbi. Per ulteriori informazioni, suggeriamo di fare riferimento ai termini e alle condizioni nonché alle pagine di aiuto e supporto fornite dall'emittente o dall'inserzionista. MetaversePost si impegna a fornire report accurati e imparziali, ma le condizioni di mercato sono soggette a modifiche senza preavviso.
Circa l'autore
Victor è un redattore/scrittore tecnico responsabile presso Metaverse Post e copre l'intelligenza artificiale, la crittografia, la scienza dei dati, il metaverso e la sicurezza informatica nell'ambito aziendale. Vanta mezzo decennio di esperienza nel campo dei media e dell'intelligenza artificiale lavorando presso noti media come VentureBeat, DatatechVibe e Analytics India Magazine. Essendo un mentore multimediale presso prestigiose università tra cui Oxford e USC e con un master in scienza e analisi dei dati, Victor è profondamente impegnato a rimanere al passo con le tendenze emergenti. Offre ai lettori le narrazioni più recenti e più approfondite del Tech e Web3 paesaggio.
Altri articoli
Victor è un redattore/scrittore tecnico responsabile presso Metaverse Post e copre l'intelligenza artificiale, la crittografia, la scienza dei dati, il metaverso e la sicurezza informatica nell'ambito aziendale. Vanta mezzo decennio di esperienza nel campo dei media e dell'intelligenza artificiale lavorando presso noti media come VentureBeat, DatatechVibe e Analytics India Magazine. Essendo un mentore multimediale presso prestigiose università tra cui Oxford e USC e con un master in scienza e analisi dei dati, Victor è profondamente impegnato a rimanere al passo con le tendenze emergenti. Offre ai lettori le narrazioni più recenti e più approfondite del Tech e Web3 paesaggio.
