Atlas Edge Server è ora disponibile in public preview

Jourdain Patrick
May 2, 2024 | Updated: October 14, 2024

>> Annuncio: Alcune funzionalità menzionate di seguito saranno dismesse il 30 settembre 2025. Ulteriori informazioni.

Siamo lieti di annunciare che Atlas Edge Server è ora disponibile in public preview! Qualsiasi sviluppatore su Atlas può ora distribuire Edge Server per la propria infrastruttura connessa. Scopri di più nei nostri documenti o inizia subito.

Gli sviluppatori apprezzano la piattaforma dati per sviluppatori di MongoDB per la flessibilità e la facilità d'uso del document model, oltre che per gli utili strumenti come la ricerca e i grafici che semplificano la gestione dei dati. Essendo un componente cruciale della nostra soluzione Atlas for the Edge, Atlas Edge Server estende queste funzionalità ad ambienti remoti e vincolati alla rete.

Annunciato per la prima volta al MongoDB.local di Londra del 2023, Atlas for the Edge consente l'elaborazione e la gestione locale dei dati all'interno di ambienti edge e su dispositivi edge, riducendo la latency, migliorando le prestazioni e consentendo la resilienza alla disconnessione.

Quali sono le novità in public preview?

Una delle nostre principali priorità è fornire agli sviluppatori un'esperienza senza soluzione di continuità nella gestione dei dati e delle applicazioni. Cerchiamo continuamente di migliorare questa esperienza, motivo per cui a partire da oggi Atlas Edge Server può essere scaricato, configurato e gestito direttamente tramite l'IU di Atlas.

Gli sviluppatori che distribuiscono dall'IU di Atlas potranno scegliere tra due flussi di onboarding per garantire che la loro configurazione sia adattata alle loro esigenze. Ciò include sia gli sviluppatori che desiderano connettere il proprio server dell'edge con un driver o client MongoDB, sia coloro che desiderano supportare la connessione a Edge Server tramite Device Sync.

Perché Atlas Edge Server?

Sebbene l'edge computing avvicini l'elaborazione dei dati agli utenti finali e offra vantaggi sostanziali, come la resilienza della rete e una maggiore sicurezza, una serie di sfide inerenti all'edge computing possono renderne difficile il pieno sfruttamento. Le sfide dell'edge computing includono la gestione di reti complesse, la gestione di grandi volumi di dati e la risoluzione di problemi di sicurezza, tutti fattori che possono dissuadere le organizzazioni dall'adottare l'edge computing. Inoltre, i costi associati alla creazione, alla manutenzione e alla scalabilità dei sistemi di edge computing possono essere significativi.

Atlas for the Edge e Atlas Edge Server alleviano queste sfide. Atlas Edge Server fornisce un'istanza MongoDB dotata di un server di sincronizzazione che può essere distribuito su un'infrastruttura locale o remota. Consente la sincronizzazione in tempo reale, la risoluzione dei conflitti e la tolleranza alla disconnessione. Ciò garantisce che le applicazioni e i dispositivi mission-critical funzionino senza problemi, anche con connettività intermittente. Edge Server consente la sincronizzazione selettiva dei soli campi modificati, preservando la larghezza di banda e dando priorità ai trasferimenti di dati cruciali ad Atlas. Inoltre, mantiene la funzionalità dei client edge anche in caso di connettività cloud intermittente, evitando interruzioni di operazioni essenziali come la gestione dell'inventario e i sistemi di punti vendita. Elaborando i dati localmente, riduce la latency e consente di ottenere rapidi insight sui dati, riducendo la dipendenza dai database centrali.

Ci vediamo all'edge

La public preview di Atlas Edge Server sottolinea l'impegno costante di MongoDB nel migliorare la nostra piattaforma dati per sviluppatori per infrastrutture distribuite. Mentre continuiamo a investire in Atlas for the Edge, l'obiettivo di MongoDB è quello di fornire ai team una solida soluzione dati che non solo offra un'esperienza eccezionale agli sviluppatori, ma consenta loro anche di promuovere soluzioni innovative per le loro aziende e i loro clienti.

Inizia oggi stesso o visita la pagina web di Atlas for the Edge per saperne di più su come le aziende traggono vantaggio dalla nostra soluzione edge.

← Previous

快速构建现代应用程序：2024 MongoDB 用户大会纽约站 (MongoDB.local NYC) 新功能发布

今天，MongoDB.local NYC 拉开帷幕，并发布了开发者数据平台的新功能。今天宣布的更新和功能为新时代的应用程序现代化铺平了道路，并助力开发者充分释放 AI 等变革性技术的全部潜力。 新功能发布概览如下，涵盖了从 MongoDB 的全面更新到 AI 驱动的智能开发者体验的方方面面： 现代应用程序需要现代数据库 先进的现代应用程序须提供卓越的体验，并为企业带来额外的收益。为了满足这些需求，开发者需要一个数据库解决方案，既能提供最佳性能、可扩展性和运行弹性，又能保持成本效益。 今天，我们非常高兴地宣布 MongoDB 8.0 的预览版 —— 新一代 MongoDB 现代数据库。 MongoDB 8.0 始终致力于提供无与伦比的性能、可扩展性、安全性和运营弹性，以支持创建下一代应用程序，包括复杂的 AI 驱动解决方案。它通过显著提高查询性能、提高负载期间的弹性，使可扩展性更容易且更具成本效益，并使时间序列集合更快、更高效，进而实现最佳性能。 利用 MongoDB，让您的下一个应用程序的现代化变得更加容易 随着应用程序现代化项目的推进，迁移对开发团队和数据库团队来说变得迫在眉睫。从传统的关系型系统过渡到诸如 MongoDB 等现代数据库，对于跟上 AI 等技术变革至关重要。然而，现代化和迁移面临诸多挑战，从转换复杂的模式和翻译大量应用程序代码，到在长期的现代化项目中保持数据库同步。 MongoDB Relational Migrator 于 2023 年 6 月发布，通过自动化诸如模式设计、数据迁移和应用代码生成等任务，极大地简化了迁移过程。 在长期运行的现代化项目中，保持数据同步至关重要。在项目完成之前，传统的关系型数据库必须与 MongoDB 共存，才能实现数据同步。今天，我们很高兴地宣布，MongoDB Relational Migrator 已成功与 Confluent Cloud 集成，支持长期运行的变更数据捕获 (CDC) 同步作业。这些工作可确保运行的弹性和可观察性，解决了分阶段过渡的复杂性，而无需额外增加独立管理 Apache Kafka 的负担。 此外，从传统的关系型数据库迁移往往需要在重写 SQL 查询、存储过程和触发器方面付出大量努力，这通常既耗时又困难。 MongoDB Relational Migrator 现已推出公开预览版，引入了一款 AI 驱动的 SQL 查询转换工具 ，可将现有 SQL 查询、存储过程和触发器转换为能够使用在 MongoDB 中使用的 JavaScript、Java 或 C# 等语言。这种简化的方法与 MongoDB 专业服务相结合，使迁移过程变得简单化，并能够有效地进行扩展。 全面助力开发者在 MongoDB 上放心、高效地构建应用 我们深知，开发者在每个成功项目中都发挥着至关重要的作用，这就是我们致力于帮助开发者在 MongoDB 上的体验尽可能顺畅的原因所在。框架是开发者提高工作效率、改善代码一致性和质量，并最终提升代码交付速度的不二之选。对于 C# 开发者社区，我们很高兴地宣布正式支持 Entity Framework core 框架。这使得使用 EF Core 构建的 C# 开发者能够发挥 MongoDB 开发者数据平台的全部优势 —— 同时仍然能够沿用他们已经熟悉和喜爱的 EF Core API 和设计模式。 Laravel 是 PHP 开发者中最常用的框架，考虑到 PHP 社区的需求，我们还推出了 Laravel 聚合构建器。此功能简化了 Laravel 中构建复杂聚合查询的过程。我们通过增强 MongoDB 与 Laravel 的集成，旨在提高生产力，简化查询操作的复杂性，确保 PHP 开发者也能享受到使用 MongoDB 的优化开发体验。 使用 AI 生成查询和可视化 自 2015 年首次发布以来， MongoDB Compass 已帮助开发者快速构建和调试其应用程序代码的查询和聚合操作。今天，MongoDB Compass 推出了基于 AI 驱动的自然语言查询体验，使开发者更容易使用 MongoDB 强大的查询 API 功能。此功能现已正式推出，开发者可以使用自然语言生成可执行的 MongoDB Query API 语法，以通过智能引导式体验实现从简单查询到复杂聚合的所有功能。例如，开发者可以输入“按位置筛选度假租赁，按卧室数量对剩余文档进行分组，并计算平均每晚租金”，MongoDB Compass 将提供代码来执行聚合管道的各个阶段。 数据可视化是理解应用程序数据的一种强大方法，将图表嵌入面向用户的应用程序，以进一步增强其对实用性和对开发者的吸引力。然而，由于需要深入了解数据集和熟练使用商业智能工具（许多开发者可能不具备这些技能），因此创建可视化往往受到阻碍。我们在 MongoDB Atlas Charts 中引入了一款易于使用的具有生成式 AI 功能的可视化工具，现已推出公开预览版。开发者可通过自然语言提示轻松渲染图表和构建仪表盘，从而使数据可视化和丰富应用变得简单快捷。例如，开发者可以输入“按类型排序显示最近一年的电影列表”，MongoDB Atlas Charts 将收集数据并快速生成所需的可视化效果。 如上的新功能发布，彰显了 MongoDB 帮助开发者快速、轻松地创新的承诺。有关 MongoDB.local NYC 2024 更新的更多信息，请访问网站 产品发布页面 。

May 2, 2024
Next →

Binary Quantization & Rescoring: 96% Less Memory, Faster Search

We are excited to share that several new vector quantization capabilities are now available in public preview in MongoDB Atlas Vector Search : support for binary quantized vector ingestion, automatic scalar quantization, and automatic binary quantization and rescoring. Together with our recently released support for scalar quantized vector ingestion , these capabilities will empower developers to scale semantic search and generative AI applications more cost-effectively. For a primer on vector quantization, check out our previous blog post . Enhanced developer experience with native quantization in Atlas Vector Search Effective quantization methods—specifically scalar and binary quantization—can now be done automatically in Atlas Vector Search. This makes it easier and more cost-effective for developers to use Atlas Vector Search to unlock a wide range of applications, particularly those requiring over a million vectors. With the new “quantization” index definition parameters, developers can choose to use full-fidelity vectors by specifying “none,” or they can quantize vector embeddings by specifying the desired quantization type—”scalar” or “binary” (Figure 1). This native quantization capability supports vector embeddings from any model provider as well as MongoDB’s BinData float32 vector subtype . Figure 1: New index definition parameters for specifying automatic quantization type in Atlas Vector Search Scalar quantization—converting a float point into an integer—is generally used when it's crucial to maintain search accuracy on par with full-precision vectors. Meanwhile, binary quantization—converting a float point into a single bit of 0 or 1—is more suitable for scenarios where storage and memory efficiency are paramount, and a slight reduction in search accuracy is acceptable. If you’re interested in learning more about this process, check out our documentation . Binary quantization with rescoring: Balance cost and accuracy Compared to scalar quantization, binary quantization further reduces memory usage, leading to lower costs and improved scalability—but also a decline in search accuracy. To mitigate this, when “binary” is chosen in the “quantization” index parameter, Atlas Vector Search incorporates an automatic rescoring step, which involves re-ranking a subset of the top binary vector search results using their full-precision counterparts, ensuring that the final search results are highly accurate despite the initial vector compression. Empirical evidence demonstrates that incorporating a rescoring step when working with binary quantized vectors can dramatically enhance search accuracy, as shown in Figure 2 below. Figure 2: Combining binary quantization and rescoring helps retain search accuracy by up to 95% And as Figure 3 shows, in our tests, binary quantization reduced processing memory requirement by 96% while retaining up to 95% search accuracy and improving query performance. Figure 3: Improvements in Atlas Vector Search with the use of vector quantization It’s worth noting that even though the quantized vectors are used for indexing and search, their full-fidelity vectors are still stored on disk to support rescoring. Furthermore, retaining the full-fidelity vectors enables developers to perform exact vector search for experimental, high-precision use cases, such as evaluating the search accuracy of quantized vectors produced by different embedding model providers, as needed. For more on evaluating the accuracy of quantized vectors, please see our documentation . So how can developers make the most of vector quantization? Here are some example use cases that can be made more efficient and scaled effectively with quantized vectors: Massive knowledge bases can be used efficiently and cost-effectively for analysis and insight-oriented use cases, such as content summarization and sentiment analysis. Unstructured data like customer reviews, articles, audio, and videos can be processed and analyzed at a much larger scale, at a lower cost and faster speed. Using quantized vectors can enhance the performance of retrieval-augmented generation (RAG) applications. The efficient processing can support query performance from large knowledge bases, and the cost-effectiveness advantage can enable a more scalable, robust RAG system, which can result in better customer and employee experience. Developers can easily A/B test different embedding models using multiple vectors produced from the same source field during prototyping. MongoDB’s flexible document model lets developers quickly deploy and compare embedding models’ results without the need to rebuild the index or provision an entirely new data model or set of infrastructure. The relevance of search results or context for large language models (LLMs) can be improved by incorporating larger volumes of vectors from multiple sources of relevance, such as different source fields (product descriptions, product images, etc.) embedded within the same or different models. To get started with vector quantization in Atlas Vector Search, see the following developer resources: Documentation: Vector Quantization in Atlas Vector Search Documentation: How to Measure the Accuracy of Your Query Results Tutorial: How to Use Cohere's Quantized Vectors to Build Cost-effective AI Apps With MongoDB

December 12, 2024