MongoDB ist der Ansicht, dass eine verbesserte Datenabfrage und nicht einfach nur größere KI-Modelle entscheidend für den Aufbau vertrauenswürdiger KI-Systeme für Unternehmen ist. Da Agentensysteme und Retrieval-Augmented Generation (RAG) in Produktionsumgebungen immer mehr an Bedeutung gewinnen, hat der Datenbankanbieter die Qualität der Abfrage als einen wesentlichen Engpass identifiziert, der sich negativ auf Genauigkeit, Kosteneffizienz und Benutzervertrauen auswirken kann, selbst wenn die zugrunde liegenden KI-Modelle robust sind.

Um dieser Herausforderung zu begegnen, hat MongoDB kürzlich vier neue Versionen seiner Einbettungs- und Reranking-Modelle auf den Markt gebracht, die zusammen als Voyage 4 bekannt sind. Diese Modelle wurden entwickelt, um die Genauigkeit und Effizienz der Datenabfrage in KI-Anwendungen zu verbessern. Die Voyage 4-Familie umfasst voyage-4 embedding, ein Allzweckmodell; voyage-4-large, das als Flaggschiffmodell gilt; voyage-4-lite, optimiert für Anwendungen mit geringer Latenz und Kostensensibilität; und voyage-4-nano, das für die lokale Entwicklung, das Testen und die Datenabfrage auf dem Gerät vorgesehen ist. Voyage-4-nano markiert MongoDBs ersten Vorstoß in Open-Weight-Modelle.

Alle Voyage 4-Modelle sind über eine API und auf der Atlas-Plattform von MongoDB zugänglich. Laut MongoDB übertreffen diese Modelle vergleichbare Modelle in Bezug auf die Abfragequalität.

Die Betonung der Abfragequalität unterstreicht ein wachsendes Verständnis innerhalb der KI-Community, dass die Effektivität von KI-Systemen nicht nur von der Leistungsfähigkeit der Modelle selbst abhängt, sondern auch von ihrer Fähigkeit, relevante Informationen effizient abzurufen und zu verarbeiten. RAG-Systeme beispielsweise sind darauf angewiesen, relevante Dokumente oder Datenausschnitte abzurufen, um das Wissen eines großen Sprachmodells (LLM) zu erweitern, bevor eine Antwort generiert wird. Wenn die Abfragekomponente schwach ist, kann das LLM mit ungenauen oder unvollständigen Informationen versorgt werden, was zu suboptimalen Ergebnissen führt.

Agentensysteme, die für die autonome Ausführung von Aufgaben konzipiert sind, sind ebenfalls auf eine zuverlässige Datenabfrage angewiesen, um fundierte Entscheidungen zu treffen und geeignete Maßnahmen zu ergreifen. Eine schlechte Abfragequalität in diesen Systemen kann zu Fehlern, Ineffizienzen und sogar potenziell schädlichen Ergebnissen führen.

Der Fokus von MongoDB auf Einbettungs- und Reranking-Modelle spiegelt einen Trend zur Optimierung der gesamten KI-Pipeline wider, von der Datenerfassung bis zur Modellbereitstellung. Durch die Verbesserung der Genauigkeit und Effizienz der Datenabfrage können Unternehmen vertrauenswürdigere und effektivere KI-Systeme aufbauen, die einen konkreten Geschäftswert liefern. Die Verfügbarkeit dieser Modelle über eine API und auf der Atlas-Plattform vereinfacht die Integration für Entwickler und Organisationen, die ihre KI-Fähigkeiten verbessern möchten. Das Unternehmen gab an, dass die Modelle ähnliche Modelle übertreffen.