تؤمن MongoDB بأن تحسين استرجاع البيانات، وليس مجرد نماذج الذكاء الاصطناعي الأكبر، هو أمر بالغ الأهمية لإنشاء أنظمة ذكاء اصطناعي مؤسسية جديرة بالثقة. مع اكتساب الأنظمة العاملة (agentic systems) والتوليد المعزز بالاسترجاع (Retrieval-Augmented Generation (RAG)) قوة جذب في بيئات الإنتاج، أصبحت جودة استرجاع البيانات تشكل عنق زجاجة كبيرًا، مما قد يضر بالدقة والكفاءة من حيث التكلفة وثقة المستخدم، حتى عندما تكون نماذج الذكاء الاصطناعي الأساسية ذات قدرات عالية، وفقًا لمزود قاعدة البيانات.

لمعالجة هذا التحدي، قدمت MongoDB مؤخرًا أربعة إصدارات جديدة من نماذج التضمين وإعادة الترتيب الخاصة بها، والمعروفة مجتمعة باسم Voyage 4. تم تصميم هذه النماذج لتحسين كفاءة ودقة عمليات استرجاع البيانات. سيتوفر Voyage 4 في أربعة أوضاع: voyage-4 embedding و voyage-4-large و voyage-4-lite و voyage-4-nano.

وفقًا لـ MongoDB، يعمل voyage-4 embedding كنموذج للأغراض العامة، ومناسب لمجموعة واسعة من التطبيقات. يتم وضع Voyage-4-large كنموذج رائد للشركة، مما يوفر أداءً محسّنًا للمهام الصعبة. تم تحسين Voyage-4-lite للسيناريوهات التي تتطلب زمن انتقال منخفض وتكاليف مخفضة، مما يجعله مناسبًا للتطبيقات في الوقت الفعلي والبيئات ذات الموارد المحدودة. تم تصميم voyage-4-nano للتطوير والاختبار المحليين، بالإضافة إلى استرجاع البيانات على الجهاز، مما يتيح للمطورين تجربة نماذج الذكاء الاصطناعي دون الاعتماد على البنية التحتية السحابية. والجدير بالذكر أن voyage-4-nano هو أول نموذج مفتوح الوزن من MongoDB، مما يوفر قدرًا أكبر من الشفافية والمرونة للمطورين.

يمكن الوصول إلى جميع النماذج الأربعة من خلال واجهة برمجة تطبيقات (API) وعلى منصة Atlas الخاصة بـ MongoDB، مما يسمح للمطورين بدمجها بسلاسة في مهام سير العمل الحالية الخاصة بهم. تدعي الشركة أن هذه النماذج تتفوق على النماذج المماثلة من حيث جودة وكفاءة الاسترجاع.

يسلط التركيز على جودة الاسترجاع الضوء على الاعتراف المتزايد داخل مجتمع الذكاء الاصطناعي بأن فعالية أنظمة الذكاء الاصطناعي لا تعتمد فقط على تطور النماذج نفسها ولكن أيضًا على القدرة على الوصول إلى البيانات ذات الصلة ومعالجتها بكفاءة. تعتمد أنظمة RAG، على وجه الخصوص، بشكل كبير على استرجاع البيانات بدقة وفي الوقت المناسب لزيادة معرفة نماذج اللغة المدربة مسبقًا.

تتجاوز آثار تحسين استرجاع البيانات الأداء التقني. من خلال تعزيز دقة وموثوقية أنظمة الذكاء الاصطناعي، يمكن للاسترجاع الأفضل أن يساهم في زيادة ثقة المستخدم واعتماد أوسع لتقنيات الذكاء الاصطناعي عبر مختلف الصناعات. وهذا مهم بشكل خاص في بيئات المؤسسات، حيث يتم استخدام الذكاء الاصطناعي بشكل متزايد لأتمتة العمليات التجارية الهامة وإثراء عملية صنع القرار.

يمثل تطوير نماذج استرجاع أكثر كفاءة ودقة خطوة مهمة نحو بناء أنظمة ذكاء اصطناعي أكثر جدارة بالثقة وفعالية. مع استمرار تطور الذكاء الاصطناعي، من المرجح أن يزداد التركيز على استرجاع البيانات، مما يدفع إلى مزيد من الابتكار في هذا المجال الحيوي.