MongoDB cree que la mejora en la recuperación de datos, en lugar de simplemente modelos de IA más grandes, es crucial para establecer sistemas de IA empresariales confiables. A medida que los sistemas agentic y la Generación Aumentada por Recuperación (RAG, por sus siglas en inglés) ganan terreno en entornos de producción, la calidad de la recuperación de datos se está convirtiendo en un cuello de botella importante, que podría comprometer la precisión, la rentabilidad y la confianza del usuario, incluso cuando los modelos de IA subyacentes son altamente capaces, según el proveedor de bases de datos.

Para abordar este desafío, MongoDB introdujo recientemente cuatro nuevas versiones de sus modelos de embeddings y reranking, conocidos colectivamente como Voyage 4. Estos modelos están diseñados para mejorar la eficiencia y la precisión de los procesos de recuperación de datos. Voyage 4 estará disponible en cuatro modos: voyage-4 embedding, voyage-4-large, voyage-4-lite y voyage-4-nano.

Según MongoDB, voyage-4 embedding sirve como su modelo de propósito general, adecuado para una amplia gama de aplicaciones. Voyage-4-large se posiciona como el modelo insignia de la compañía, que ofrece un rendimiento mejorado para tareas exigentes. Voyage-4-lite está optimizado para escenarios que requieren baja latencia y costos reducidos, lo que lo hace adecuado para aplicaciones en tiempo real y entornos con recursos limitados. Voyage-4-nano está destinado al desarrollo y las pruebas locales, así como a la recuperación de datos en el dispositivo, lo que permite a los desarrolladores experimentar con modelos de IA sin depender de la infraestructura en la nube. En particular, voyage-4-nano es el primer modelo de peso abierto de MongoDB, que proporciona mayor transparencia y flexibilidad para los desarrolladores.

Los cuatro modelos son accesibles a través de una API y en la plataforma Atlas de MongoDB, lo que permite a los desarrolladores integrarlos sin problemas en sus flujos de trabajo existentes. La compañía afirma que estos modelos superan a modelos similares en términos de calidad y eficiencia de la recuperación.

El enfoque en la calidad de la recuperación destaca un reconocimiento creciente dentro de la comunidad de la IA de que la eficacia de los sistemas de IA depende no solo de la sofisticación de los modelos en sí, sino también de la capacidad de acceder y procesar de manera eficiente los datos relevantes. Los sistemas RAG, en particular, dependen en gran medida de la recuperación de datos precisa y oportuna para aumentar el conocimiento de los modelos de lenguaje preentrenados.

Las implicaciones de la mejora en la recuperación de datos se extienden más allá del rendimiento técnico. Al mejorar la precisión y la confiabilidad de los sistemas de IA, una mejor recuperación puede contribuir a una mayor confianza del usuario y a una adopción más amplia de las tecnologías de IA en diversas industrias. Esto es particularmente importante en entornos empresariales, donde la IA se utiliza cada vez más para automatizar procesos comerciales críticos e informar la toma de decisiones.

El desarrollo de modelos de recuperación más eficientes y precisos representa un paso significativo hacia la construcción de sistemas de IA más confiables y efectivos. A medida que la IA continúa evolucionando, es probable que el enfoque en la recuperación de datos se intensifique, impulsando una mayor innovación en esta área crítica.