Présentation d'Atlas Vector Search : Construire des applications intelligentes avec la recherche sémantique et l'IA sur n'importe quel type de données

Le moment est enfin venu. L'intelligence artificielle est là. Ce qui était autrefois construit et souvent piégé au sein des équipes de data science et d'apprentissage automatique au niveau de l'entreprise est désormais facilement accessible aux constructeurs du monde entier. Mais pour exploiter l'incroyable puissance de ces nouveaux outils, vous devez vous appuyer sur une plateforme de données fiable, modulable et élégante. En même temps, comme nous l'avons tous vu, ces nouvelles capacités ne sont valables que dans la mesure où elles ont accès aux données ou à la "vérité de terrain". C'est pourquoi nous sommes ravis d'ajouter une nouvelle fonctionnalité sur MongoDB Atlas, notre Developer Data Platform, pour libérer tout le potentiel de vos données et alimenter les applications d'IA. Aujourd'hui, MongoDB a le plaisir d'annoncer sa nouvelle fonctionnalité de Vector Search, conçue pour répondre aux exigences des données sous toutes leurs formes et permettre à nos partenaires d'exploiter ces nouvelles capacités incroyables.

Qu'est-ce que la recherche vectorielle ?

Pour ceux qui ne connaissent pas, la recherche vectorielle est une capacité qui vous permet de requêter vos données sur la base de la sémantique ou de la signification des données plutôt que sur les données elles-mêmes. Cela est possible grâce à la représentation numérique de toute forme de données sous la forme d'un vecteur, qui peuvent ensuite être comparées les unes aux autres au moyen d'algorithmes. La première étape consiste à prendre les données sources - texte, audio, image ou vidéo - et à les convertir en "vecteurs" ou "encastrements" à l'aide d'un "modèle d'encodage". Grâce aux progrès récents de l'intelligence artificielle, ces vecteurs sont désormais mieux à même de saisir la signification des données en projetant des données de faible dimension dans un espace de dimension supérieure qui contient davantage de contexte sur les données. Une fois que ces données ont été transformées en représentations numériques, vous pouvez les interroger pour trouver des valeurs similaires à l'aide d'un algorithme approximatif des voisins les plus proches qui permet à vos requêtes de trouver très rapidement des données avec des vecteurs similaires. Cela vous permet de répondre à des requêtes telles que "donnez-moi des films tristes" ou "donnez-moi des images qui ressemblent à..." Cette fonctionnalité ouvre la voie à de nouvelles possibilités.

Quel est le lien avec notre plateforme ?

Grâce à cette fonctionnalité intégrée à MongoDB Atlas, vous n'avez pas besoin de copier et de transformer vos données, d'apprendre une nouvelle technologie et une nouvelle syntaxe, ou de devoir gérer toute une nouvelle infrastructure. Avec Atlas Vector Search de MongoDB, vous pouvez utiliser ces nouvelles capacités puissantes au sein d'une plateforme de classe mondiale et éprouvée pour créer des applications plus rapidement. La plupart des défis inhérents à l'exploitation de l'IA et de la recherche vectorielle découlent de la complexité liée à l'exposition en toute sécurité des données de l'application. Ces tâches ajoutent des couches de friction à l'expérience du développeur et rendent vos applications plus difficiles à construire, à déboguer et à maintenir. MongoDB relève ces défis tout en apportant la puissance de la recherche vectorielle à une plateforme qui répartit organiquement verticalement et horizontalement pour supporter pratiquement toutes les charges de travail que vous lui confiez. Enfin, tout cela n'a pas d'importance sans garanties en matière de sécurité et de disponibilité, et l'engagement de MongoDB en faveur d'une solution de gestion des données sécurisée, ainsi que la haute disponibilité grâce à la redondance et au basculement automatique, contribuent à garantir que votre application ne perdra jamais de temps.

Comment cele s'intègre-t'il avec l'écosystème ?

Avec la puissance brute exposée par l'intelligence artificielle, il n'a jamais été aussi important d'avoir une abstraction solide sur la capacité à donner aux développeurs la flexibilité dont ils ont besoin. Dans cette optique, nous sommes ravis de partager que nous avons plusieurs capacités supportées dans LangChain et LlamaIndex, du support de recherche vectorielle jusqu'à l'enregistrement des conversations et l'indexation des documents. Nous avançons rapidement et nous continuerons à développer de nouvelles fonctionnalités pour les principaux fournisseurs.

Synthèse

Nous annonçons Vector Search en avant-première publique aujourd'hui et nous sommes impatients de faire d'autres annonces passionnantes à MongoDB.local London, alors que nous faisons évoluer cette solution et que nous la rendons disponible dès que possible. Nous allons également nous pencher sur d'autres modèles d'architectures et plugins que nous pouvons soutenir. Mais comme toujours, la partie la plus importante de cette équation, c'est vous, le développeur. Nous allons discuter avec la communauté et trouver les moyens de vous servir au mieux et de nous assurer que nous répondons à vos besoins à chaque étape du processus. Allez-y et construisez !