Atlas 矢量搜索连续两年蝉联最受欢迎的矢量数据库_AI阅读总结 — 包阅AI

El informe 2024 Retool State of AI acaba de ser publicado, y por segundo año consecutivo, MongoDB Atlas Vector Search fue nombrada la vector database más querida. Atlas Vector Search recibió el puntaje de promotor neto más alto (NPS), una medida de la probabilidad de que un usuario recomiende una solución a sus pares.

El reporte Retool State of AI es una encuesta anual global de desarrolladores, líderes tecnológicos y responsables de la toma de decisiones de TI que proporciona información sobre el estado actual y futuro de la IA, incluidas las vector databases, la generación aumentada de recuperación (RAG), la adopción de la IA y los desafíos de innovar con IA.

MongoDB Atlas Vector Search comandó el NPS más alto en el informe inaugural 2023 de Retool, y fue la segunda vector database más utilizada dentro de solo cinco meses de su lanzamiento. Este año, Atlas Vector Search llegó en un empate virtual para la vector database más popular, con 21.1% de los votos, a solo un pelo detrás de pgvector (PostgreSQL), que recibió 21.3%.

La encuesta también apunta a la creciente adopción de RAG como el enfoque preferido para generar respuestas más precisas con un contexto actualizado y relevante en el que los modelos de lenguaje grande (LLM) no están capacitados. Aunque los LLM se capacitan en enormes conjuntos de datos, no todos esos datos están actualizados ni reflejan datos patentados. Y en aquellas áreas donde existen puntos ciegos, los LLM son conocidos por proporcionar con confianza “alucinaciones” inexactas. El ajuste fino es una forma de personalizar los datos con los que se capacitan los LLM, y el 29.3% de los encuestados de Retool aprovechan este enfoque. Pero entre las empresas con más de 5000empleados, un tercio ahora aprovecha RAG para acceder a datos sensibles al tiempo (como precios bursátiles) e inteligencia de negocios interna, como historiales de clientes y transacciones.

Aquí es donde MongoDB Atlas Vector Search realmente brilla. Los clientes pueden emplear fácilmente sus datos almacenados en MongoDB para aumentar y mejorar significativamente el rendimiento de sus aplicaciones de IA generativa, tanto durante las fases de entrenamiento como de evaluación.

En el transcurso de un año, la utilización de la vector database entre los encuestados de Retool aumentó significativamente, del 20% en 2023 a un asombroso 63.6% en 2024. Los encuestados informaron que sus principales criterios de evaluación para elegir una vector database fueron los benchmarks de desempeño (40%), los comentarios de la comunidad (39.3%) y los experimentos de prueba de concepto (38%).

Uno de los puntos débiles que el informe destaca claramente es la dificultad con la pila de IA. Más del 50% indicaron que estaban algo satisfechos, poco satisfechos o nada satisfechos con su pila de IA. Los encuestados también informaron de dificultades para conseguir la aceptación interna, lo que a menudo se complica por los esfuerzos de adquisición cuando es necesario incorporar una nueva solución. Una forma de reducir gran parte de esta fricción es a través de un conjunto integrado de soluciones que agilice la pila tecnológica y elimine la necesidad de incorporar varios proveedores desconocidos. La búsqueda vectorial es una característica nativa de la plataforma de datos para desarrolladores de MongoDB, Atlas, por lo que no es necesario utilizar una solución independiente. Si ya está utilizando MongoDB Atlas, crear experiencias impulsadas por IA implica poco más que agregar datos vectoriales a su collection existente en Atlas.

Si usted es desarrollador y quiere comenzar a usar Atlas Vector Search para comenzar a crear aplicaciones impulsadas por IA generativa, tenemos varios recursos útiles:

• Aprenda a crear un agente asistente de investigación de IA que use MongoDB como proveedor de memoria, Fireworks AI para llamadas de funciones y LangChain para integrar y administrar componentes conversacionales.

• Obtenga una introducción a LangChain y MongoDB Vector Search y aprenda a crear su propio chatbot que pueda leer documentos extensos y proporcionar respuestas perspicaces a consultas complejas.

• Vea a Sachin Smotra de Dataworkz mientras profundiza en las complejidades del escalamiento de aplicaciones RAG (generación aumentada de recuperación).

• Lea nuestro tutorial que le muestra cómo combinar el procesamiento avanzado del lenguaje natural de Google Gemini con MongoDB, facilitado por Vertex AI Extensions para mejorar la accesibilidad y la usabilidad de su base de datos.

• Explore nuestro Centro de recursos para obtener artículos, informes de analistas, estudios de casos, white papers y más.