Isolamento do volume de trabalho para maior escalabilidade e disponibilidade: Nós de Pesquisa agora no Google Cloud

Elliott Gluck
March 28, 2024

Estamos empolgados em dar o próximo passo para trazer uma arquitetura com escalabilidade e dedicada às suas experiências de pesquisa, com a apresentação dos Nós de Pesquisa do Atlas na pré-visualização pública para o Google Cloud.

Depois do nosso anúncio inicial dos Nós de Pesquisa em junho de 2023, estamos acelerando rapidamente o acesso à arquitetura dedicada com mais escalabilidade, começando com a disponibilidade geral no AWS e agora expandindo para a pré-visualização pública no Google Cloud. Vamos fornecer um pouco mais de contexto sobre o que são os Nós de Pesquisa e porque eles são importantes para qualquer experiência de pesquisa executada em escala.

Os Nós de Pesquisa fornecem infraestrutura dedicada para volume de trabalho no Atlas Search e Vector Search para fornecer controle ainda maior sobre os volumes de trabalho de pesquisa. Ele isola e otimiza os recursos de computação para dimensionar as necessidades de pesquisa e de banco de dados de forma independente, proporcionando um desempenho melhor em escala e maior disponibilidade.

Uma das últimas coisas com que os desenvolvedores querem lidar ao criar e dimensionar aplicativos é ter que se preocupar com problemas de infraestrutura. Qualquer tempo de inatividade ou experiência ruim para o usuário representa perda de usuários ou de receita, principalmente quando se trata do seu banco de dados e da experiência de pesquisa. Esse é um dos motivos pelos quais os desenvolvedores recorrem ao MongoDB, dada a facilidade de uso de um sistema unificado para seu banco de dados e solução de pesquisa.

Com a introdução dos Nós de Pesquisa do Atlas demos o próximo passo para fornecer aos nossos desenvolvedores o máximo de controle, podendo permanecer flexíveis e dimensionar os volumes de pesquisa sem sermos forçados a provisionar o banco de dados em excesso. Ao isolar os volume de pesquisa e de banco de dados e manter os dados do cluster de pesquisa sincronizados com os dados operacionais automaticamente, o Atlas Search e o Atlas Vector Search eliminam a necessidade de executar uma ferramenta de ETL separada, o que leva tempo e esforço para configurar e é mais um ponto de falha para seu aplicativo de dimensionamento. Isso proporciona desempenho superior e maior disponibilidade, além de reduzir a complexidade da arquitetura e o desperdício de tempo de engenharia na recuperação das falhas de sincronização. De fato, observamos uma redução de 40% a 60% no tempo de query para muitas consultas complexas ao mesmo tempo em que eliminamos as chances de qualquer contenção de recursos ou tempo de inatividade.

Com apenas uma troca rápida de botões, os Nós de Pesquisa no Google Cloud oferecem aos usuários existentes do Atlas Search e do Vector Search os seguintes benefícios:

  • Maior disponibilidade

  • Escalabilidade aumentada

  • Isolamento da carga de trabalho

  • Melhor desempenho em escala

  • Melhor desempenho de consulta

Oferecemos tanto Search Nodes específicos com alto consumo de computação para pesquisa de texto baseada em relevância quanto uma opção otimizada para memória, que é ideal para casos de uso de produção semântica e RAG com o Atlas Vector Search. Isso faz com que os problemas de contenção ou disponibilidade de recursos sejam coisa do passado.

Graphic of Search Nodes Search and Database structure, where Atlas Nodes is the Database and Search Nodes are the Search function.

Os Nós de Pesquisa são fáceis de configurar, para começar acesse a interface do usuário do MongoDB e faça o seguinte:

  1. Navegue até a seção "Sistemas de Banco de dados" na interface do usuário do MongoDB

  2. Clique no botão verde “+Criar”

  3. Para ativá-lo, na página "Criar novo cluster" altere o botão de opção do Google Cloud para "Multinuvem, multiregião e isolamento do volume de trabalho"

  4. Para habilitá-los, alterne o botão de opção para "Nós de Pesquisa para isolamento do volume de trabalho". Selecione o número de nós na caixa de texto

  5. Marque a caixa de seleção do contrato

  6. Clique em "Criar cluster"

Para usuários existentes do Atlas Search, clique em "Editar configuração" na interface do usuário do MongoDB Atlas Search e habilite o botão que alterna para o isolamento do volume de trabalho. Em seguida, as etapas são as mesmas mencionadas acima.

Confira nossos documentos para saber mais!

← Previous

Isolamento del carico di lavoro per ottenere maggiore scalabilità e disponibilità: Nodi di ricerca ora su Google Cloud

Oggi siamo entusiasti di fare il passo successivo nel portare un'architettura scalabile e dedicata alle tue esperienze di ricerca, con l'introduzione dei Nodi di ricerca Atlas in public preview per Google Cloud. Dopo l'annuncio iniziale dei Nodi di ricerca nel giugno del 2023, abbiamo rapidamente accelerato l'accesso all'architettura dedicata più scalabile, iniziando con la disponibilità generale su AWS e ora con la public preview su Google Cloud. Vediamo di capire meglio che cosa sono i Nodi di ricerca e perché sono importanti per qualsiasi esperienza di ricerca in scala. I Nodi di ricerca forniscono un'infrastruttura dedicata per i carichi di lavoro di Atlas Search e Vector Search , per consentire un controllo ancora maggiore sui carichi di lavoro di ricerca. Isola e ottimizza le risorse di calcolo per scalare le esigenze di ricerca e database in modo indipendente, offrendo prestazioni migliori su larga scala e maggiore disponibilità. Una delle ultime problematiche che gli sviluppatori intendono affrontare quando creano e scalano le app è doversi preoccupare dei problemi di infrastruttura. Qualsiasi tempo di inattività o esperienza negativa determina una perdita di utenti o di fatturato, soprattutto per quanto riguarda il database e l'esperienza di ricerca. Questo è uno dei motivi per cui gli sviluppatori si rivolgono a MongoDB, data la facilità d'uso di poter disporre di un sistema unificato per il database e la soluzione di ricerca. Con l'introduzione dei Nodi di ricerca Atlas abbiamo compiuto il passo successivo offrendo ai nostri sviluppatori il massimo controllo, poiché possono rimanere flessibili e scalare i carichi di lavoro di ricerca senza essere costretti a eseguire un provisioning eccessivo del database. Isolando i carichi di lavoro di ricerca e database e al contempo mantenendo automaticamente i dati del cluster di ricerca sincronizzati con i dati operativi, Atlas Search e Atlas Vector Search consentono di non dover eseguire uno strumento ETL separato, la cui configurazione richiede tempo e impegno e che rappresenta pur sempre un altro punto di errore per la propria app di scalabilità. Ciò consente prestazioni superiori e offre maggiore disponibilità, riducendo al contempo la complessità dell'architettura e gli sprechi di tempo di progettazione per il ripristino da errori di sincronizzazione. In effetti, abbiamo riscontrato una riduzione del 40% - 60% del tempo di esecuzione delle query per molte query complesse, eliminando al contempo la possibilità di conflitti di risorse o tempi di inattività. Con un semplice cambio di pulsante, i Nodi di ricerca su Google Cloud offrono ai nostri utenti di Atlas Search e Vector Search i seguenti vantaggi: Disponibilità più elevata Aumento della scalabilità Isolamento dei carichi di lavoro Prestazioni migliori su larga scala Miglioramento delle prestazioni delle query Offriamo sia Search Nodes specifici per la ricerca ad alto carico di calcolo per la ricerca di testo basata sulla pertinenza, sia un'opzione ottimizzata per la memoria che è ideale per casi d'uso di produzione semantica e RAG con Atlas Vector Search. Ciò rende i problemi di contesa o disponibilità delle risorse un vecchio ricordo. È facile attivare e impostare i Nodi di ricerca: per iniziare, accedi all'IU di MongoDB ed esegui le seguenti operazioni: Vai alla sezione "Distribuzioni di database" nell'IU di MongoDB Fai clic sul pulsante verde "+Crea" Nella pagina "Crea nuovo cluster", modifica il pulsante di opzione per Google Cloud in "Isolamento multi-cloud, multi-regione e carico di lavoro" per abilitare Attiva il pulsante di opzione "Nodi di ricerca per l'isolamento del carico di lavoro" per abilitare. Seleziona il numero di nodi nella casella di testo Seleziona la casella di accordo Fai clic su "Crea cluster" Per gli utenti esistenti di Atlas Search, fai clic su "Modifica configurazione" nell'IU di MongoDB Atlas Search e abilita l'interruttore per l'isolamento del carico di lavoro. Successivamente, i passaggi sono gli stessi indicati sopra. Per maggiori informazioni, consulta i nostri documenti .

March 28, 2024
Next →

Building AI With MongoDB: Integrating Vector Search And Cohere to Build Frontier Enterprise Apps

Cohere is the leading enterprise AI platform, building large language models (LLMs) which help businesses unlock the potential of their data. Operating at the frontier of AI, Cohere’s models provide a more intuitive way for users to retrieve, summarize, and generate complex information. Cohere offers both text generation and embedding models to its customers. Enterprises running mission-critical AI workloads select Cohere because its models offer the best performance-cost tradeoff and can be deployed in production at scale. Cohere’s platform is cloud-agnostic. Their models are accessible through their own API as well as popular cloud managed services, and can be deployed on a virtual private cloud (VPC) or even on-prem to meet companies where their data is, offering the highest levels of flexibility and control. Cohere’s leading Embed 3 and Rerank 3 models can be used with MongoDB Atlas Vector Search to convert MongoDB data to vectors and build a state-of-the-art semantic search system. Search results also can be passed to Cohere’s Command R family of models for retrieval augmented generation (RAG) with citations. Check out our AI resource page to learn more about building AI-powered apps with MongoDB. A new approach to vector embeddings It is in the realm of embedding where Cohere has made a host of recent advances. Described as “AI for language understanding,” Embed is Cohere’s leading text representation language model. Cohere offers both English and multilingual embedding models, and gives users the ability to specify the type of data they are computing an embedding for (e.g., search document, search query). The result is embeddings that improve the accuracy of search results for traditional enterprise search or retrieval-augmented generation. One challenge developers faced using Embed was that documents had to be passed one by one to the model endpoint, limiting throughput when dealing with larger data sets. To address that challenge and improve developer experience, Cohere has recently announced its new Embed Jobs endpoint . Now entire data sets can be passed in one operation to the model, and embedded outputs can be more easily ingested back into your storage systems. Additionally, with only a few lines of code, Rerank 3 can be added at the final stage of search systems to improve accuracy. It also works across 100+ languages and offers uniquely high accuracy on complex data such as JSON, code, and tabular structure. This is particularly useful for developers who rely on legacy dense retrieval systems. Demonstrating how developers can exploit this new endpoint, we have published the How to use Cohere embeddings and rerank modules with MongoDB Atlas tutorial . Readers will learn how to store, index, and search the embeddings from Cohere. They will also learn how to use the Cohere Rerank model to provide a powerful semantic boost to the quality of keyword and vector search results. Figure 1: Illustrating the embedding generation and search workflow shown in the tutorial Why MongoDB Atlas and Cohere? MongoDB Atlas provides a proven OLTP database handling high read and write throughput backed by transactional guarantees. Pairing these capabilities with Cohere’s batch embeddings is massively valuable to developers building sophisticated gen AI apps. Developers can be confident that Atlas Vector Search will handle high scale vector ingestion, making embeddings immediately available for accurate and reliable semantic search and RAG. Increasing the speed of experimentation, developers and data scientists can configure separate vector search indexes side by side to compare the performance of different parameters used in the creation of vector embeddings. In addition to batch embeddings, Atlas Triggers can also be used to embed new or updated source content in real time, as illustrated in the Cohere workflow shown in Figure 2. Figure 2: MongoDB Atlas Vector Search supports Cohere’s batch and real time workflows. (Image courtesy of Cohere) Supporting both batch and real-time embeddings from Cohere makes MongoDB Atlas well suited to highly dynamic gen AI-powered apps that need to be grounded in live, operational data. Developers can use MongoDB’s expressive query API to pre-filter query predicates against metadata, making it much faster to access and retrieve the more relevant vector embeddings. The unification and synchronization of source application data, metadata, and vector embeddings in a single platform, accessed by a single API, makes building gen AI apps faster, with lower cost and complexity. Those apps can be layered on top of the secure, resilient, and mature MongoDB Atlas developer data platform that is used today by over 45,000 customers spanning startups to enterprises and governments handling mission-critical workloads. What's next? To start your journey into gen AI and Atlas Vector Search, review our 10-minute Learning Byte . In the video, you’ll learn about use cases, benefits, and how to get started using Atlas Vector Search.

April 25, 2024