मोंगोडीबी का मानना है कि केवल बड़े AI मॉडल ही नहीं, बल्कि बेहतर डेटा पुनर्प्राप्ति, भरोसेमंद एंटरप्राइज़ AI सिस्टम बनाने के लिए महत्वपूर्ण है। जैसे-जैसे एजेंटिक सिस्टम और रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) उत्पादन वातावरण में लोकप्रियता प्राप्त कर रहे हैं, डेटाबेस प्रदाता ने पुनर्प्राप्ति गुणवत्ता को एक महत्वपूर्ण बाधा के रूप में पहचाना है जो सटीकता, लागत-दक्षता और उपयोगकर्ता विश्वास पर नकारात्मक प्रभाव डाल सकती है, भले ही अंतर्निहित AI मॉडल मजबूत हों।

इस चुनौती का समाधान करने के लिए, मोंगोडीबी ने हाल ही में अपने एम्बेडिंग और रीरैंकिंग मॉडल के चार नए संस्करण लॉन्च किए हैं, जिन्हें सामूहिक रूप से Voyage 4 के नाम से जाना जाता है। ये मॉडल AI अनुप्रयोगों में डेटा पुनर्प्राप्ति की सटीकता और दक्षता को बढ़ाने के लिए डिज़ाइन किए गए हैं। Voyage 4 परिवार में voyage-4 एम्बेडिंग, एक सामान्य-उद्देश्य मॉडल; voyage-4-large, जिसे फ्लैगशिप मॉडल माना जाता है; voyage-4-lite, जो कम-विलंबता और लागत-संवेदनशील अनुप्रयोगों के लिए अनुकूलित है; और voyage-4-nano, स्थानीय विकास, परीक्षण और ऑन-डिवाइस डेटा पुनर्प्राप्ति के लिए अभिप्रेत है, शामिल हैं। Voyage-4-nano मोंगोडीबी का ओपन-वेट मॉडल में पहला कदम है।

सभी Voyage 4 मॉडल एक API के माध्यम से और मोंगोडीबी के एटलस प्लेटफॉर्म पर उपलब्ध हैं। मोंगोडीबी के अनुसार, ये मॉडल पुनर्प्राप्ति गुणवत्ता में तुलनीय मॉडलों से बेहतर प्रदर्शन करते हैं।

पुनर्प्राप्ति गुणवत्ता पर जोर AI समुदाय के भीतर एक बढ़ती हुई समझ को उजागर करता है कि AI सिस्टम की प्रभावशीलता न केवल मॉडल की शक्ति पर निर्भर करती है, बल्कि प्रासंगिक जानकारी को कुशलतापूर्वक एक्सेस और संसाधित करने की उनकी क्षमता पर भी निर्भर करती है। उदाहरण के लिए, RAG सिस्टम, प्रतिक्रिया उत्पन्न करने से पहले एक बड़े भाषा मॉडल (LLM) के ज्ञान को बढ़ाने के लिए प्रासंगिक दस्तावेजों या डेटा स्निपेट को पुनर्प्राप्त करने पर निर्भर करते हैं। यदि पुनर्प्राप्ति घटक कमजोर है, तो LLM को गलत या अधूरी जानकारी दी जा सकती है, जिससे इष्टतम परिणाम नहीं मिल पाते हैं।

एजेंटिक सिस्टम, जिन्हें स्वायत्त रूप से कार्य करने के लिए डिज़ाइन किया गया है, सूचित निर्णय लेने और उचित कार्रवाई करने के लिए विश्वसनीय डेटा पुनर्प्राप्ति पर भी निर्भर करते हैं। इन प्रणालियों में खराब पुनर्प्राप्ति गुणवत्ता से त्रुटियां, अक्षमताएं और यहां तक कि संभावित रूप से हानिकारक परिणाम भी हो सकते हैं।

मोंगोडीबी का एम्बेडिंग और रीरैंकिंग मॉडल पर ध्यान डेटा अंतर्ग्रहण से लेकर मॉडल परिनियोजन तक, संपूर्ण AI पाइपलाइन को अनुकूलित करने की दिशा में एक प्रवृत्ति को दर्शाता है। डेटा पुनर्प्राप्ति की सटीकता और दक्षता में सुधार करके, कंपनियां अधिक भरोसेमंद और प्रभावी AI सिस्टम बना सकती हैं जो मूर्त व्यावसायिक मूल्य प्रदान करते हैं। एक API के माध्यम से और एटलस प्लेटफॉर्म पर इन मॉडलों की उपलब्धता डेवलपर्स और संगठनों के लिए अपने AI क्षमताओं को बढ़ाने के लिए एकीकरण को सरल बनाती है। कंपनी ने कहा कि मॉडल समान मॉडलों से बेहतर प्रदर्शन करते हैं।