MongoDB本周推出了两个新工具，旨在帮助客户开发生成式AI应用程序。

Atlas Vector Search（于 6 月首次推出公共预览版，并于 9 月更新）和 Atlas Search Nodes 已于周一正式发布。

Atlas Vector Search 旨在使 MongoDB 客户能够将自己的数据与生成式 AI （GenAI） 平台一起使用，以帮助做出决策。Atlas 搜索节点使客户能够在不影响性能的情况下运行大型生成式 AI 工作负载。

Constellation Research的分析师Doug Henschen表示，因此，两者的部分力量在于它们协同工作的方式。

他表示：“客户可以使用Atlas搜索节点，无论他们是否将GenAI应用于搜索体验。但谁不想将GenAI应用于现代搜索体验呢？在我看来，这两个公告确实是齐头并进。”

MongoDB总部位于纽约市，是一家NoSQL数据库供应商，其平台提供了传统关系数据库的替代方案。

关系数据库最早是在 1970 年代开发的。但是，随着企业现在收集的数据量和复杂性不断增加，关系数据库通常无法满足现代需求。

因此，供应商已经开发替代方案，包括TigerGraph和Neo4j等图形数据库以及MongoDB和Couchbase等基于文档的数据库。

Atlas 是 MongoDB 的开发者平台，MongoDB 最近的大部分重点是使开发人员能够构建 GenAI 应用程序。

MongoDB本周推出了两个新工具，旨在帮助客户开发生成式AI应用程序。

Atlas Vector Search（于 6 月首次推出公共预览版，并于 9 月更新）和 Atlas Search Nodes 已于周一正式发布。

Atlas Vector Search 旨在使 MongoDB 客户能够将自己的数据与生成式 AI （GenAI） 平台一起使用，以帮助做出决策。Atlas 搜索节点使客户能够在不影响性能的情况下运行大型生成式 AI 工作负载。

Constellation Research的分析师Doug Henschen表示，因此，两者的部分力量在于它们协同工作的方式。

他表示：“客户可以使用Atlas搜索节点，无论他们是否将GenAI应用于搜索体验。但谁不想将GenAI应用于现代搜索体验呢？在我看来，这两个公告确实是齐头并进。”

MongoDB总部位于纽约市，是一家NoSQL数据库供应商，其平台提供了传统关系数据库的替代方案。

关系数据库最早是在 1970 年代开发的。但是，随着企业现在收集的数据量和复杂性不断增加，关系数据库通常无法满足现代需求。

因此，供应商已经开发替代方案，包括TigerGraph和Neo4j等图形数据库以及MongoDB和Couchbase等基于文档的数据库。

Atlas 是 MongoDB 的开发者平台，MongoDB 最近的大部分重点是使开发人员能够构建 GenAI 应用程序。

Atlas Vector Search 和 Atlas Search Nodes 旨在为开发和运行生成式 AI 工作负载奠定基础。TechTarget Enterprise Strategy Group 的分析师 Stephen Catanzano 表示，为生成式 AI 增加新的基础对 MongoDB 用户来说意义重大。

他说：“这开辟了一种新的范式，可以以更三维的方式查看数据，以创建新的、更准确的结果和建议（基于相似性）。”

Catanzano 指出，在 ChatGPT 发布后，大多数数据库供应商很快意识到，他们没有提供方法在数据集中识别相似数据以提出建议。

向量搜索不是一项新功能，但以前并不被视为关键功能，它提供了发现类似数据的方法，并就使用数据为生成式 AI 模型提供信息提出建议。矢量搜索不提供完全匹配。相反，他们找到具有相似特征的数据。

Catanzano认为向量搜索就像寻找新住所。如果某个人在找房子时有 10 个标准，并且正在某个特定区域寻找，则向量可以建议满足其中 9 个标准的房屋，距离一个城镇，价格低 20%。

他表示：“这才是真正的建议，它从你的行为中学习。”

与此同时，Henschen指出，Atlas Vector Search 和 Atlas Search Notes 协同工作的方式将 MongoDB 的新工具与迄今为止其他供应商提供的向量搜索工具区分开来。

他解释说，客户选择数据库是为了他们的整个平台，而不是单个功能。MongoDB现在是提供矢量搜索的众多供应商之一。但并非所有方法都将向量搜索与扩展和成本优化功能相结合。

Henschen 称：“客户选择数据库是因为产品和产品生态系统的潜在优势，而不是 X 功能或 Y 功能。如果你只考虑GenAI，我已经看到很多向量嵌入功能被添加到数据库中。但是，扩展单独搜索节点的附加选项对MongoDB来说是一个差异化因素。”

Catanzano同样表示，MongoDB在增加支持生成式AI开发的功能方面领先于一些竞争对手。

特别是，迄今为止，这家独立供应商的工作速度比甲骨文更快，甲骨文提供了大量的数据库产品。

Catanzano 称：“甲骨文是一个很大的竞争对手，Mongo在添加功能以吸引AI工作负载方面进展得更快。然而，甲骨文有一个忠实的客户群，他们可能会等待他们添加这些，但不会太久。”

MongoDB公司首席产品官Sahir Azam表示，虽然Atlas Vector Search和Atlas Search Nodes仅在周一正式发布，但开发矢量搜索功能在近两年前就开始了。

该供应商之前开发了 Atlas Search，使用户能够创建数据的语义定义，并根据定义和同义词搜索数据。然而，客户希望不仅能够根据文本进行搜索，还能够根据相似性进行搜索。

Azam称：“这种更智能的搜索体验是促使人们开始开发此功能的原因。”

他继续说，当ChatGPT 和其他生成式 AI 平台发布，并且企业希望使用自己的数据来增强在公共数据上训练的 LLM 或从头开始开发自己的 LLM，客户对向量搜索和存储功能的要求就会增加。

Azam表示：“实际上有两条轨道导致了Atlas Vector Search，一个是经典的语义搜索用例。另一个是通过利用向量数据库作为调整或增强大规模语言模型的一种方式来实现生成式人工智能应用程序。”

未来计划

Azam表示，随着MongoDB继续开发其平台，添加自己的生成式AI功能是供应商产品开发路线图的一部分。

自 ChatGPT 发布以来，很多数据管理和分析供应商都公布了发布自然语言处理（NLP）功能的计划，这些功能可实现与数据的对话交互。

ThoughtSpot是5月份推出的首批支持自然语言搜索的 Sage 之一。很多其他人也纷纷效仿，尽管大多数生成式 AI 驱动的 NLP 工具（包括 Sage）仍处于预览阶段。

MongoDB 是该组的一部分，其 NLP 工具处于预览状态。

Azam 称：“我们专注于确保我们的开发者社区在使用我们的工具时能够从人工智能的效率中受益。我们计划围绕自然语言发布一系列公告……我们围绕我们的开发工具发明了 Copilot 功能。”

此外，Azam指出，MongoDB的计划包括开发生成式AI工具，帮助客户实现数据基础设施的现代化 – 这是一个通常费力的过程，包括大量的手动工作。

与此同时，Henschen指出，MongoDB将NLP作为其路线图的一部分是明智的做法。

近年来，该供应商已经超越了其作为数据库专家的基础，并于 2022 年 6 月在其平台上添加了分析工具。特别是分析用户，可以从 NLP 中受益。

Henschen 表示：“MongoDB为其产品添加了一套丰富的分析功能，因此我希望看到它为这些功能添加GenAI功能，例如自然语言查询、可视化和解释。”