تؤمن MongoDB بأن تحسين استرجاع البيانات، وليس مجرد نماذج الذكاء الاصطناعي الأكبر، أمر بالغ الأهمية لبناء أنظمة ذكاء اصطناعي مؤسسية جديرة بالثقة. مع اكتساب الأنظمة العاملة (agentic systems) والتوليد المعزز بالاسترجاع (RAG) قوة جذب في بيئات الإنتاج، حدد مزود قاعدة البيانات جودة الاسترجاع كعقبة كبيرة يمكن أن تؤثر سلبًا على الدقة والكفاءة من حيث التكلفة وثقة المستخدم، حتى عندما تكون نماذج الذكاء الاصطناعي الأساسية قوية.

لمعالجة هذا التحدي، أطلقت MongoDB مؤخرًا أربعة إصدارات جديدة من نماذج التضمين وإعادة الترتيب الخاصة بها، والمعروفة مجتمعة باسم Voyage 4. تم تصميم هذه النماذج لتحسين دقة وكفاءة استرجاع البيانات في تطبيقات الذكاء الاصطناعي. تتضمن عائلة Voyage 4 نموذج voyage-4 embedding، وهو نموذج للأغراض العامة؛ و voyage-4-large، الذي يعتبر النموذج الرئيسي؛ و voyage-4-lite، المحسن للتطبيقات منخفضة الكمون 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.

يمكن الوصول إلى جميع نماذج Voyage 4 عبر واجهة برمجة تطبيقات (API) وعلى منصة Atlas الخاصة بـ MongoDB. وفقًا لـ MongoDB، تتفوق هذه النماذج على النماذج المماثلة في جودة الاسترجاع.

يسلط التركيز على جودة الاسترجاع الضوء على فهم متزايد داخل مجتمع الذكاء الاصطناعي بأن فعالية أنظمة الذكاء الاصطناعي لا تتوقف فقط على قوة النماذج نفسها ولكن أيضًا على قدرتها على الوصول إلى المعلومات ذات الصلة ومعالجتها بكفاءة. تعتمد أنظمة RAG، على سبيل المثال، على استرجاع المستندات أو مقتطفات البيانات ذات الصلة لزيادة معرفة نموذج لغوي كبير (LLM) قبل إنشاء استجابة. إذا كان مكون الاسترجاع ضعيفًا، فقد يتم تزويد LLM بمعلومات غير دقيقة أو غير كاملة، مما يؤدي إلى نتائج دون المستوى الأمثل.

تعتمد الأنظمة العاملة (agentic systems)، المصممة لأداء المهام بشكل مستقل، أيضًا على استرجاع بيانات موثوق لاتخاذ قرارات مستنيرة واتخاذ الإجراءات المناسبة. يمكن أن تؤدي جودة الاسترجاع الضعيفة في هذه الأنظمة إلى أخطاء وعدم كفاءة وحتى نتائج ضارة محتملة.

يعكس تركيز MongoDB على نماذج التضمين وإعادة الترتيب اتجاهًا نحو تحسين خط أنابيب الذكاء الاصطناعي بأكمله، من إدخال البيانات إلى نشر النموذج. من خلال تحسين دقة وكفاءة استرجاع البيانات، يمكن للشركات بناء أنظمة ذكاء اصطناعي أكثر جدارة بالثقة وفعالية تقدم قيمة تجارية ملموسة. إن توفر هذه النماذج من خلال واجهة برمجة تطبيقات (API) وعلى منصة Atlas يبسط التكامل للمطورين والمؤسسات التي تتطلع إلى تعزيز قدرات الذكاء الاصطناعي الخاصة بهم. وذكرت الشركة أن النماذج تتفوق على النماذج المماثلة.