تؤمن MongoDB بأن تحسين استرجاع البيانات، وليس مجرد نماذج الذكاء الاصطناعي الأكبر حجمًا، أمر بالغ الأهمية لبناء أنظمة ذكاء اصطناعي مؤسسية جديرة بالثقة. ومع انتقال الأنظمة العاملة بالوكلاء (agentic systems) والتوليد المعزز بالاسترجاع (RAG) إلى بيئات الإنتاج، حدد مزود قواعد البيانات جودة الاسترجاع كنقطة ضعف كبيرة يمكن أن تؤثر سلبًا على الدقة والكفاءة من حيث التكلفة وثقة المستخدم، حتى عندما تعمل نماذج الذكاء الاصطناعي الأساسية على النحو الأمثل.

لمعالجة هذه المشكلة، أطلقت MongoDB أربعة إصدارات جديدة من نماذج التضمين وإعادة الترتيب الخاصة بها، والمعروفة مجتمعة باسم Voyage 4. تم تصميم هذه النماذج لتعزيز كفاءة ودقة 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 لـ MongoDB؛ و voyage-4-lite، المحسن للتطبيقات منخفضة الكمون والحساسة للتكلفة؛ و voyage-4-nano، المخصص للتطوير والاختبار المحليين واسترجاع البيانات على الجهاز. يعتبر Voyage-4-nano أيضًا أول نموذج مفتوح الوزن من MongoDB.

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

يسلط التركيز على جودة الاسترجاع الضوء على قلق متزايد داخل مجتمع الذكاء الاصطناعي. في حين أن الكثير من الاهتمام يتركز على قدرات نماذج اللغة الكبيرة (LLMs)، فإن فعالية هذه النماذج تعتمد بشكل كبير على جودة البيانات التي تتلقاها. تعتمد أنظمة RAG، على سبيل المثال، على استرجاع المعلومات ذات الصلة من قاعدة بيانات أو قاعدة معرفية لزيادة استجابات LLM. إذا كانت عملية الاسترجاع معيبة، فقد تولد LLM مخرجات غير دقيقة أو غير ذات صلة، مما يقوض موثوقية النظام بأكمله.

تعتمد الأنظمة العاملة بالوكلاء (agentic systems)، المصممة لأداء المهام بشكل مستقل، أيضًا على استرجاع دقيق للبيانات لاتخاذ قرارات مستنيرة. يمكن أن تؤدي جودة الاسترجاع الضعيفة إلى أخطاء وعدم كفاءة ونقص في الثقة في قدرات النظام.

يعكس تركيز MongoDB على نماذج التضمين وإعادة الترتيب استراتيجية لتحسين دقة وكفاءة استرجاع البيانات. تحول نماذج التضمين البيانات إلى تمثيلات رقمية تلتقط العلاقات الدلالية، مما يسمح بإجراء عمليات بحث أكثر دقة عن التشابه. تعمل نماذج إعادة الترتيب على زيادة تحسين نتائج البحث من خلال تحديد أولويات المعلومات الأكثر صلة.

يلبي توفر نماذج Voyage 4 المختلفة مجموعة من حالات الاستخدام، من التطبيقات ذات الأغراض العامة إلى المهام المتخصصة التي تتطلب كمونًا منخفضًا أو معالجة على الجهاز. يشير إصدار نموذج مفتوح الوزن، Voyage-4-nano، أيضًا إلى الالتزام بالشفافية والتعاون المجتمعي.

يؤكد التطوير على أهمية البنية التحتية القوية للبيانات في عصر الذكاء الاصطناعي. مع ازدياد اندماج أنظمة الذكاء الاصطناعي في سير العمل المؤسسي، ستستمر الحاجة إلى استرجاع بيانات موثوق وفعال في النمو. تهدف أحدث عروض MongoDB إلى تلبية هذه الحاجة الحاسمة والمساهمة في تطوير تطبيقات ذكاء اصطناعي أكثر جدارة بالثقة وفعالية.