تؤمن MongoDB بأن تحسين استرجاع البيانات، بدلاً من مجرد توسيع نطاق نماذج الذكاء الاصطناعي، أمر بالغ الأهمية لبناء أنظمة ذكاء اصطناعي مؤسسية جديرة بالثقة. مع اكتساب الأنظمة العاملة بالوكالة (agentic systems) والتوليد المعزز بالاسترجاع (Retrieval-Augmented Generation - RAG) قوة جذب في بيئات الإنتاج، حدد مزود قاعدة البيانات جودة الاسترجاع كعنق زجاجة كبير يمكن أن يؤثر سلبًا على الدقة والكفاءة من حيث التكلفة وثقة المستخدم، حتى عندما تكون نماذج الذكاء الاصطناعي الأساسية قوية.

لمعالجة هذا التحدي، أطلقت MongoDB مؤخرًا أربع نسخ جديدة من نماذج التضمين وإعادة الترتيب الخاصة بها، والمعروفة مجتمعة باسم Voyage 4. تم تصميم هذه النماذج لتعزيز دقة وفعالية عمليات استرجاع البيانات داخل تطبيقات الذكاء الاصطناعي. تتضمن عائلة Voyage 4 نموذج voyage-4 embedding، وهو نموذج للأغراض العامة؛ و voyage-4-large، الذي يعتبر النموذج الرئيسي لـ MongoDB؛ و voyage-4-lite، المحسن للتطبيقات منخفضة زمن الوصول والحساسة للتكلفة؛ و voyage-4-nano، المخصص للتطوير والاختبار المحليين واسترجاع البيانات على الجهاز. يمثل Voyage-4-nano أول دخول لـ MongoDB في نماذج الوزن المفتوح (open-weight models).

يمكن الوصول إلى جميع نماذج Voyage 4 من خلال واجهة برمجة التطبيقات (API) وعلى منصة Atlas الخاصة بـ MongoDB. وفقًا للشركة، تتفوق هذه النماذج على العروض المماثلة في السوق.

يُبرز التركيز على جودة الاسترجاع وعيًا متزايدًا داخل مجتمع الذكاء الاصطناعي بأن أداء الأنظمة العاملة بالوكالة وأنظمة RAG يعتمد بشكل كبير على القدرة على الوصول بكفاءة ودقة إلى المعلومات ذات الصلة. تعتمد أنظمة RAG، على وجه الخصوص، على استرجاع المعلومات من قاعدة معرفية لزيادة المطالبات المقدمة إلى نماذج اللغة الكبيرة (LLMs)، وبالتالي تحسين دقة وموثوقية الاستجابات التي تم إنشاؤها. يمكن أن يؤدي ضعف الاسترجاع إلى تغذية LLM بمعلومات غير دقيقة أو غير كاملة، مما يؤدي إلى مخرجات معيبة وتقليل ثقة المستخدم.

من خلال التركيز على تحسين نماذج التضمين وإعادة الترتيب، تهدف MongoDB إلى تحسين الأداء العام والموثوقية لتطبيقات الذكاء الاصطناعي التي تعتمد على استرجاع البيانات بكفاءة. إن توفر نماذج Voyage 4 المختلفة يلبي مجموعة من حالات الاستخدام، من التطبيقات للأغراض العامة إلى البيئات محدودة الموارد. تشجع الطبيعة ذات الوزن المفتوح لـ Voyage-4-nano أيضًا التعاون المجتمعي والابتكار في مجال استرجاع البيانات للذكاء الاصطناعي.

يشير هذا التطور إلى تحول في التركيز داخل مشهد الذكاء الاصطناعي، مع الاعتراف بأن التقدم في حجم النموذج وحده لا يكفي لضمان أنظمة ذكاء اصطناعي موثوقة ودقيقة. بدلاً من ذلك، فإن اتباع نهج شامل يأخذ في الاعتبار خط أنابيب الذكاء الاصطناعي بأكمله، بما في ذلك استرجاع البيانات، أمر ضروري لبناء حلول ذكاء اصطناعي مؤسسية جديرة بالثقة وفعالة. وقالت الشركة إن النماذج متاحة الآن.