MongoDB integrira Atlas Vector Search z Amazon Bedrock AWS za spodbujanje generativnih modelov AI
Na kratko
Integracija Atlas Vector Search podjetja MongoDB z Amazon Bedrock podjetja AWS želi pospešiti razvoj aplikacij, ki jih poganja generativni AI.
Pri AWS re:Invent 2023, baza podatkov v oblaku MongoDB objavil svoje načrte za integracijo MongoDB Atlas Vector Search z Amazon Bedrock, za pomoč pri razvoju aplikacij z umetno inteligenco v storitvah Amazon Web Services (AWS), pri čemer izkorišča njihovo priznano infrastrukturo v oblaku.
Namen sodelovanja je poenostaviti vključevanje generativne umetne inteligence in semantičnih zmožnosti iskanja, izboljšati uporabniško izkušnjo in sodelovanje.
MongoDB Atlas Vector Search uporablja operativne podatke za integracijo generativne umetne inteligence v aplikacije, kar zagotavlja prilagojene izkušnje končnega uporabnika. Integracija z Amazon Bedrock je pripravljena opolnomočiti razvijalce in poenostaviti ustvarjanje AWS aplikacije uporabo generativne umetne inteligence za različne primere uporabe.
Aplikacijam bo omogočila zagotavljanje posodobljenih odgovorov na podlagi lastniških podatkov, ki jih obdeluje MongoDB Atlas Vector Search.
Za razliko od dodatnih rešitev, ki shranjujejo izključno vektorske podatke, MongoDB Atlas Vector Search deluje kot zmogljiva in razširljiva vektorska zbirka podatkov. Integrira se z globalno porazdeljeno operativno zbirko podatkov, ki lahko shrani in obdela celoten nabor podatkov organizacije.
Z integracijo z Amazon Bedrock pridobijo stranke možnost zasebnega prilagajanja temeljnih modelov (FM) v sodelovanju z AI21 Labs, Amazon, Antropično, Cohere, Meta in Stability AI. Postopek vključuje vključitev zaščitenih podatkov, njihovo pretvorbo v vektorske vdelave in uporabo MongoDB Atlas Vector Search za obdelavo teh vdelav.
»Medtem ko lahko MongoDB Atlas Vector Search deluje s številnimi vrstami temeljnih modelov (FM) ponudnikov, kot je OpenAI, Hugging Face, Microsoft Azure, Google Cloud, Anthropic in drugi — Amazon Bedrock ponuja izbiro visoko zmogljivih, upravljanih FM-jev, ki jih lahko razvijalci uporabijo za pretvorbo lastniških podatkov (slik, besedila, videa itd.) v vektorje, tako da so FM-ji všeč veliki jezikovni modeli jih lahko obdelajo in zagotovijo odgovore na zahteve končnih uporabnikov,« je povedal Andrew Davidson, višji podpredsednik produkta pri MongoDB. Metaverse Post.
Turbocharging Generative AI aplikacije z vektorskim iskanjem
MongoDB je dejal, da bodo nastale aplikacije, ki uporabljajo agente za razširjeno generacijo pridobivanja Amazon Bedrock (RAG) — lahko odgovorile na poizvedbe uporabnikov z ustreznimi in kontekstualiziranimi informacijami brez ročnega kodiranja.
»Razširjeno ustvarjanje pridobivanja (RAG) je zdaj običajen arhitekturni vzorec, kjer lahko organizacije zagotovijo lastniške podatke temeljnim modelom (FM), da prilagodijo odgovore na zahteve končnih uporabnikov, tako da so bolj prilagojeni, točni in ustrezni,« je povedal Davidson iz MongoDB. Metaverse Post. "To zmanjšuje tako imenovane halucinacije, h katerim so FM-ji lahko nagnjeni, in končnim uporabnikom zagotavlja bolj zaupanja vredne odgovore."
Na primer, maloprodajna organizacija za prodajo oblačil lahko razvije a generativni AI aplikacija za avtomatizacijo opravil, kot je obdelava zahtev za inventar v realnem času ali prilagajanje vračil in zamenjav strank s predlaganjem podobnega blaga na zalogi.
»Z zagotavljanjem temeljnih modelov (FM) s kontekstom iz lastniških podatkov organizacije, ki jih obdeluje MongoDB Atlas Vector Search, lahko končni uporabniki prejmejo bolj prilagojene in natančne odgovore na svoje zahteve,« je povedal Davidson iz MongoDB. Metaverse Post. »Ker so vektorji shranjeni skupaj z metapodatki, operativnimi podatki, podatki o časovnih serijah, geoprostorskimi podatki in drugimi vrstami podatkov, lahko Atlas Vector Search izvaja bolj zapletene poizvedbe kot vektorske podatkovne baze s privijačenim priklopom prek enega API-ja in poizvedbenega jezika.«
Organizacije bi prav tako lahko namestile MongoDB Atlas v večja podjetja ponudniki oblakov hkrati za največjo razpoložljivost in zanesljivost, skupaj z nadzorom varnosti in zasebnosti podatkov – ključnega pomena za stranke, zlasti tiste v reguliranih panogah.
»Razvijalci lahko preprosto razvijejo podatkovni model namesto preoblikovanja celotne podatkovne sheme, kar lahko traja mesece dela in zadrži uvajanje novih aplikacijskih funkcij, vključno s tistimi, ki uporabljajo generativno umetno inteligenco, ne da bi jim bilo treba skrbeti za stroške nenehnega prehoda na večje in večje gruče baze podatkov,« je dodal Davidson iz MongoDB.
Integracija MongoDB Atlas Vector Search z Amazon Bedrock bo predvidoma na voljo na AWS v prihodnjih mesecih.
Zavrnitev odgovornosti
V skladu z Smernice projekta Trust, upoštevajte, da informacije na tej strani niso namenjene in se jih ne sme razlagati kot pravni, davčni, naložbeni, finančni ali kakršen koli drug nasvet. Pomembno je, da vlagate samo tisto, kar si lahko privoščite izgubiti, in da poiščete neodvisen finančni nasvet, če imate kakršne koli dvome. Za dodatne informacije predlagamo, da si ogledate določila in pogoje ter strani s pomočjo in podporo, ki jih nudi izdajatelj ali oglaševalec. MetaversePost se zavzema za natančno in nepristransko poročanje, vendar se tržni pogoji lahko spremenijo brez predhodnega obvestila.
O avtorju
Victor je odgovorni tehnični urednik/pisec pri Metaverse Post in zajema umetno inteligenco, kripto, podatkovno znanost, metaverzum in kibernetsko varnost znotraj področja podjetij. Ponaša se s pol desetletja izkušenj z mediji in umetno inteligenco pri delu v znanih medijih, kot so VentureBeat, DatatechVibe in Analytics India Magazine. Kot medijski mentor na prestižnih univerzah, vključno z Oxfordom in USC, ter z magisterijem iz podatkovne znanosti in analitike, je Victor globoko predan temu, da ostaja na tekočem z nastajajočimi trendi. Bralcem ponuja najnovejše in najbolj pronicljive pripovedi iz Tech and Web3 pokrajina.
več člankov
Victor je odgovorni tehnični urednik/pisec pri Metaverse Post in zajema umetno inteligenco, kripto, podatkovno znanost, metaverzum in kibernetsko varnost znotraj področja podjetij. Ponaša se s pol desetletja izkušenj z mediji in umetno inteligenco pri delu v znanih medijih, kot so VentureBeat, DatatechVibe in Analytics India Magazine. Kot medijski mentor na prestižnih univerzah, vključno z Oxfordom in USC, ter z magisterijem iz podatkovne znanosti in analitike, je Victor globoko predan temu, da ostaja na tekočem z nastajajočimi trendi. Bralcem ponuja najnovejše in najbolj pronicljive pripovedi iz Tech and Web3 pokrajina.
