MongoDB estime qu'une récupération de données améliorée, plutôt que de simples modèles d'IA plus vastes, est essentielle pour établir des systèmes d'IA d'entreprise fiables. Alors que les systèmes agentiques et la génération augmentée par récupération (RAG) gagnent du terrain dans les environnements de production, la qualité de la récupération des données devient un goulot d'étranglement important, compromettant potentiellement la précision, la rentabilité et la confiance des utilisateurs, même lorsque les modèles d'IA sous-jacents sont très performants, selon le fournisseur de bases de données.

Pour relever ce défi, MongoDB a récemment lancé quatre nouvelles versions de ses modèles d'embeddings et de reranking, collectivement appelées Voyage 4. Ces modèles sont conçus pour améliorer l'efficacité et la précision des processus de récupération de données. Voyage 4 sera disponible en quatre modes : voyage-4 embedding, voyage-4-large, voyage-4-lite et voyage-4-nano.

Selon MongoDB, voyage-4 embedding sert de modèle à usage général, adapté à un large éventail d'applications. Voyage-4-large est positionné comme le modèle phare de l'entreprise, offrant des performances améliorées pour les tâches exigeantes. Voyage-4-lite est optimisé pour les scénarios nécessitant une faible latence et des coûts réduits, ce qui le rend adapté aux applications en temps réel et aux environnements aux ressources limitées. Voyage-4-nano est destiné au développement et aux tests en local, ainsi qu'à la récupération de données sur l'appareil, permettant aux développeurs d'expérimenter avec des modèles d'IA sans dépendre de l'infrastructure cloud. Notamment, voyage-4-nano est le premier modèle open-weight de MongoDB, offrant une plus grande transparence et flexibilité aux développeurs.

Les quatre modèles sont accessibles via une API et sur la plateforme Atlas de MongoDB, ce qui permet aux développeurs de les intégrer de manière transparente dans leurs flux de travail existants. L'entreprise affirme que ces modèles surpassent les modèles similaires en termes de qualité et d'efficacité de la récupération.

L'accent mis sur la qualité de la récupération souligne une reconnaissance croissante au sein de la communauté de l'IA que l'efficacité des systèmes d'IA dépend non seulement de la sophistication des modèles eux-mêmes, mais aussi de la capacité d'accéder et de traiter efficacement les données pertinentes. Les systèmes RAG, en particulier, reposent fortement sur une récupération de données précise et opportune pour augmenter les connaissances des modèles de langage pré-entraînés.

Les implications d'une récupération de données améliorée vont au-delà des performances techniques. En améliorant la précision et la fiabilité des systèmes d'IA, une meilleure récupération peut contribuer à accroître la confiance des utilisateurs et à élargir l'adoption des technologies d'IA dans divers secteurs. Ceci est particulièrement important dans les environnements d'entreprise, où l'IA est de plus en plus utilisée pour automatiser les processus métier critiques et éclairer la prise de décision.

Le développement de modèles de récupération plus efficaces et précis représente une étape importante vers la construction de systèmes d'IA plus fiables et efficaces. Alors que l'IA continue d'évoluer, l'accent mis sur la récupération des données est susceptible de s'intensifier, stimulant ainsi l'innovation dans ce domaine essentiel.