В MongoDB считают, что улучшенный поиск данных, а не просто более крупные модели ИИ, имеет решающее значение для создания надежных корпоративных систем ИИ. По мере того, как системы, управляемые агентами, и генерация, дополненная поиском (Retrieval-Augmented Generation, RAG), набирают обороты в производственной среде, качество поиска данных становится существенным узким местом, потенциально ставя под угрозу точность, экономическую эффективность и доверие пользователей, даже если базовые модели ИИ обладают высокой производительностью, как утверждает поставщик баз данных.

Чтобы решить эту проблему, MongoDB недавно представила четыре новые версии своих моделей встраивания и переранжирования, известные под общим названием Voyage 4. Эти модели предназначены для повышения эффективности и точности процессов поиска данных. Voyage 4 будет доступна в четырех режимах: voyage-4 embedding, voyage-4-large, voyage-4-lite и voyage-4-nano.

По данным MongoDB, voyage-4 embedding служит моделью общего назначения, подходящей для широкого спектра приложений. Voyage-4-large позиционируется как флагманская модель компании, предлагающая повышенную производительность для ресурсоемких задач. Voyage-4-lite оптимизирована для сценариев, требующих низкой задержки и снижения затрат, что делает ее подходящей для приложений реального времени и сред с ограниченными ресурсами. Voyage-4-nano предназначена для локальной разработки и тестирования, а также для поиска данных на устройстве, что позволяет разработчикам экспериментировать с моделями ИИ, не полагаясь на облачную инфраструктуру. Примечательно, что voyage-4-nano — первая модель MongoDB с открытым весом, обеспечивающая большую прозрачность и гибкость для разработчиков.

Все четыре модели доступны через API и на платформе Atlas от MongoDB, что позволяет разработчикам легко интегрировать их в существующие рабочие процессы. Компания утверждает, что эти модели превосходят аналогичные модели с точки зрения качества и эффективности поиска.

Акцент на качестве поиска подчеркивает растущее признание в сообществе ИИ того факта, что эффективность систем ИИ зависит не только от сложности самих моделей, но и от способности эффективно получать доступ к релевантным данным и обрабатывать их. Системы RAG, в частности, в значительной степени полагаются на точный и своевременный поиск данных для расширения знаний предварительно обученных языковых моделей.

Последствия улучшения поиска данных выходят за рамки технических характеристик. Повышая точность и надежность систем ИИ, улучшенный поиск может способствовать повышению доверия пользователей и более широкому внедрению технологий ИИ в различных отраслях. Это особенно важно в корпоративных условиях, где ИИ все чаще используется для автоматизации критически важных бизнес-процессов и принятия обоснованных решений.

Разработка более эффективных и точных моделей поиска представляет собой значительный шаг на пути к созданию более надежных и эффективных систем ИИ. По мере развития ИИ внимание к поиску данных, вероятно, усилится, стимулируя дальнейшие инновации в этой критически важной области.