Die intelligente Datenplattform für das KI-Zeitalter

Einige von Ihnen haben vielleicht einen anderen, aber möglicherweise vertrauten Namen am Anfang dieses Beitrags bemerkt.

Nach dem Führungswechsel in dieser Woche hat mich der Vorstand gebeten, als Interim-CEO einzuspringen. Ich habe MongoDB mehr als 11 Jahre lang geleitet und bin seither im Vorstand tätig, sodass ich weiterhin in engem Kontakt mit unseren Mitarbeitenden, unseren Kunden und dem Unternehmen geblieben bin. Ich freue mich, wieder da zu sein, und bin gespannt darauf, zu teilen, wie es für MongoDB als Nächstes weitergeht.

KI durchläuft einen wichtigen Wandel. Modelle werden immer besser im logischen Denken, aber die größere Veränderung besteht darin, was wir von ihnen verlangen. KI entwickelt sich von der Generierung von Antworten hin zum Ergreifen von Maßnahmen. Software hilft Menschen nicht mehr nur bei ihrer Arbeit. Immer häufiger übernehmen Agenten Teile der Arbeit selbst. Sie lösen Kundenprobleme, schreiben und deployen Software, führen Geschäftsprozesse aus und arbeiten kontinuierlich mit zunehmend weniger menschlichem Eingreifen.

Dieser Wandel hat tiefgreifende Auswirkungen auf die den Anwendungen zugrunde liegende Infrastruktur. Ein Agent nimmt nicht einfach einen Prompt entgegen und gibt eine Antwort zurück. Er beobachtet, was geschieht, ruft Kontext ab, überlegt, was zu tun ist, ergreift Maßnahmen, sieht das Ergebnis und beginnt den Zyklus oft von vorn. Je leistungsfähiger Agenten werden, desto länger, autonomer und folgenreicher werden diese Schleifen.

Die Qualität des Modells ist von entscheidender Bedeutung. Aber das gilt auch für die Qualität, Aktualität und Zugänglichkeit der Daten, mit denen das Modell arbeitet. Hier spielt MongoDB eine wichtige Rolle.

Heute kündigen wir die bisher größte Erweiterung unserer Plattform an:

• MongoDB 9.0 ist die schnellste und leistungsfähigste Version von MongoDB, die wir jemals entwickelt haben – konzipiert für Anwendungen und Agenten, die mit Live-Daten arbeiten.
• Atlas Infinite ist eine neue Bereitstellungsoption für hochgradig elastische Workloads, die eine unabhängige Skalierung von Speicher und Rechenleistung bei sich ändernden Anforderungen ermöglicht.
• Die Atlas Agent Engine stellt den Speicher, die Laufzeitumgebung und die Verwaltungsfunktionen bereit, die für den Betrieb von Agenten in der Produktion erforderlich sind – und zwar auf derselben Datenbasis, auf die Kunden bereits vertrauen und die für jedes Modell, jedes Framework und jede Cloud offen ist.

Bevor ich mehr darüber teile, was wir tun, lohnt es sich, das Problem zu erklären, das wir zu lösen versuchen.

Warum dieser Moment mehr von der Datenschicht fordert

Mittlerweile bezeichnet sich fast jedes Datenunternehmen als Plattform für KI. Die interessantere Frage ist, was mit der Datenarchitektur passiert, wenn die KI nicht mehr nur Fragen beantwortet, sondern auch Maßnahmen ergreift.

Stellen Sie sich einen Kundenservice-Agenten vor, der entscheidet, ob eine Rückerstattung veranlasst werden soll, einen Commerce-Agenten, der die Lieferung eines Artikels verspricht, oder einen Finanz-Agenten, der Aktionen auf einem Konto ausführt. Der Agent muss wissen, was genau jetzt zutrifft. Ein Modell kann auf Grundlage der ihm vorliegenden Informationen vollkommen logisch schlussfolgern und dennoch die falsche Entscheidung treffen, wenn diese Informationen veraltet sind. Der Lagerbestand von gestern, ein alter Kontostand oder ein veralteter Bestellstatus können aus einer technisch einwandfreien Schlussfolgerung eine fehlerhafte Aktion machen.

Daher gewinnt Aktualität an Bedeutung. Für viele agentenbasierte Anwendungen reicht es nicht aus, Betriebsdaten regelmäßig in ein anderes System zu kopieren. Agenten benötigen Zugriff auf den Live-Status eines Unternehmens und müssen immer häufiger auf Grundlage dieses Status agieren.

Aber aktuelle Daten lösen nicht das ganze Problem. Ein Unternehmen verfügt möglicherweise über enorme Mengen an potenziell relevanten Informationen. Der Agent muss die kleine Untergruppe identifizieren, die für die Entscheidung, die er trifft, wichtig ist. Eine bessere Suche verbessert den Kontext, der dem Modell präsentiert wird, reduziert irrelevante Tokens und verringert die Wahrscheinlichkeit, dass das Modell schlussfolgern muss, was es nicht weiß.

Aus diesem Grund sind wir der Ansicht, dass sich Betriebsdaten und Datenabruf immer mehr annähern. MongoDB ist bereits das operative Stammdatensystem für einige der weltweit größten Unternehmen und die am schnellsten wachsenden KI-Firmen. Mithilfe der nativen Suche und der Vektorsuche sowie der Retrieval- und Embedding-Technologie von Voyage AI können Entwickler relevante Kontextinformationen aus denselben Live-Betriebsdaten abrufen, die ihre Anwendungen ohnehin bereits nutzen. Sie müssen sich nicht mehr zwischen Betriebsdaten und KI-Kontext entscheiden. Beides wird zunehmend zu ein und demselben.

Darüber hinaus verursachen Agenten einen ganz anderen Workload. Traditionelle Anwendungen weisen in der Regel relativ verständliche Traffic-Muster auf. Agentische Systeme können sich sehr unterschiedlich verhalten. Eine Benutzeranfrage kann eine Abfolge von Planungsschritten, Abrufen, Tool-Aufrufen, Lese- und Schreibvorgängen in der Datenbank sowie weiteren Schlussfolgerungen auslösen. Ein einzelner Agent kann Hunderte von Operationen generieren. Tausende von Agenten können gleichzeitig mit der Arbeit beginnen.

Infolgedessen wird die Beziehung zwischen Nutzern und dem Infrastrukturverbrauch weitaus weniger vorhersehbar. Die Nachfrage kann in einer Minute gering und in der nächsten enorm sein. Dimensionieren Sie für den Durchschnitt, riskieren Sie bei Lastspitzen einen Ausfall. Dimensionieren Sie für Spitzenlasten, zahlen Sie für eine Infrastruktur, die die meiste Zeit ungenutzt bleibt.

Wir sind der Meinung, dass sich die Datenbankarchitektur mit dem Workload verändern muss. Die Rechenleistung sollte schnell erweitert werden, wenn Agenten sie benötigen, und wieder reduziert werden, wenn sie nicht gebraucht wird. Speicher sollte nicht einfach nur deshalb skaliert werden müssen, weil die Rechenleistung skaliert wird. Und Entwickler sollten ihre Anwendungen nicht jedes Mal neu entwerfen müssen, wenn ihr Workload einen weiteren Schwellenwert überschreitet. Das ist die Idee hinter Atlas Infinite.

Es gibt noch einen weiteren architektonischen Wandel, der meiner Meinung nach unterschätzt wird. Nützliche Agenten sind zustandsorientiert.

Sie müssen sich erinnern, was geschehen ist, abrufen, was wichtig ist, verstehen, wer oder was eine Aktion durchführt, den Kontext über Interaktionen hinweg aufrechterhalten und innerhalb expliziter Berechtigungen und Richtlinien arbeiten.

Heute setzen die Entwickler diese Infrastruktur oft selbst zusammen. Sie kombinieren eine operative Datenbank mit einer Vektordatenbank, einem Speichersystem, einem Orchestrierungs-Framework, einem Modellanbieter und einer Governance-Ebene. Jedes zusätzliche System schafft einen weiteren Integrationspunkt, eine weitere Sicherheitsgrenze und oft auch eine weitere Kopie der Daten.

Das mag für einen Prototyp noch machbar sein. Es wird viel schwieriger, wenn Agenten weitreichende Aktionen in einem produktiven Unternehmen ausführen.

Wir sind der Meinung, dass die Ebene für Status, Gedächtnis, Abruf und Governance von Agenten so nah wie möglich an den operativen Daten liegen sollte, mit denen diese Agenten arbeiten. Genau das bietet die Atlas Agent Engine.

Die heutigen Ankündigungen bauen auf dem Fundament von MongoDB auf.

Was wir heute ankündigen

MongoDB 9.0

Agenten, die auf Live-Daten arbeiten, stellen enorme Anforderungen an die zugrunde liegende Datenbank.

MongoDB 9.0 ist die schnellste und leistungsfähigste Version von MongoDB, die wir je entwickelt haben. Im Vergleich zu MongoDB 8.0 bietet es auf großen Instanzen einen bis zu doppelt so hohen Durchsatz, 35 % schnellere Lesevorgänge und 30 % schnellere Aktualisierungen, was das Preis-Leistungs-Verhältnis bei großem Skalierungsumfang deutlich verbessert.

Wir haben auch die Messlatte für Sicherheit, Beobachtbarkeit und Entwicklerproduktivität weiter hochgelegt. Queryable Encryption schützt jetzt mehr Arten von Daten in mehr Situationen, während die erweiterten privaten Netzwerke in Atlas es Unternehmen in stark regulierten Branchen erleichtern, ihre sensibelsten Workloads auf MongoDB auszuführen.

Das Ziel ist eindeutig. Da Anwendungen immer autonomer werden und in größerem Maßstab betrieben werden, muss die zugrundeliegende operative Datenbank schneller, sicherer und effizienter werden.

Atlas Infinite

Agentengestützte Workloads können außergewöhnlich sprunghaft sein und Atlas Infinite ist auf diese Realität ausgelegt.

Dies stellt die größte architektonische Veränderung dar, die wir bei Atlas vorgenommen haben. Speicher und Rechenleistung können nun unabhängig voneinander skaliert werden, sodass Kunden jeden Bereich entsprechend dem tatsächlichen Bedarf ihres Workloads skalieren können.

Das Ergebnis ist eine Architektur, die so konzipiert ist, dass sie vom Prototyp bis hin zum Petabyte-Maßstab skaliert werden kann, ohne dass Entwickler bereits heute die Infrastrukturanforderungen von morgen vorhersagen müssen. Die Skalierungszeit ist um mehr als 96 % kürzer, und jeder Shard kann das Zehnfache an Speicherplatz aufnehmen.

Ebenso wichtig ist, dass Kunden ihre Anwendungen nicht umschreiben müssen, um sie zu nutzen.

Atlas Infinite ist ein neuer Clustertyp innerhalb der Atlas-Plattform, die Entwickler bereits kennen. Kunden können es je nach den Merkmalen ihrer Workload zusammen mit Atlas Core auswählen.

Die Public Preview beginnt auf AWS, die vollständige Multi-Cloud-Verfügbarkeit ist für die allgemeine Verfügbarkeit (GA) geplant.

Atlas Agent Engine

Die schwierigste Aufgabe bei der Entwicklung eines Agenten ist nicht mehr die Demo, sondern der zuverlässige Betrieb des Agenten in der Produktion.

Die Atlas Agent Engine bringt die zustandsbehaftete Infrastruktur, die Agenten benötigen, auf dieselbe Datenplattform, auf der sich ihre Betriebsdaten bereits befinden.

Dank integrierter Speicher- und Abruffunktionen haben Agenten Zugriff auf relevante Echtzeit-Kontextinformationen, während gleichzeitig der unnötige Token-Verbrauch reduziert wird. Eine einheitliche Steuerungsebene sorgt für die Identitätsverwaltung und Steuerung der Agentenaktionen. Und da die Agent Engine offen für jedes Modell, Framework oder jede Cloud ist, können Entwickler den KI-Stack wählen, der am besten zu ihrer Anwendung passt, anstatt an einen einzigen Anbieter gebunden zu sein.

Das ist besonders für Unternehmen wichtig.

Mehr als 70.000 Kunden und über 75 % der Fortune 100 vertrauen MongoDB bereits ihre operativen Daten an. Atlas Agent Engine bietet ihnen die Möglichkeit, Agenten auf derselben Grundlage zu erstellen und zu betreiben, anstatt eine völlig separate Datenarchitektur für KI zu schaffen.

Der Weg, der vor uns liegt

Wir stehen noch ganz am Anfang dieses Wandels. Die Modelle werden sich verbessern. Die Kontextfenster werden größer werden. Die Inferenz wird kostengünstiger werden. Die Agenten werden leistungsfähiger und autonomer werden. Doch keiner dieser Fortschritte macht den Bedarf an hochwertigen Betriebsdaten überflüssig. Sie machen ihn vielmehr noch wichtiger.

Während Software von Systemen, die aufzeichnen, was Menschen tun, zu Systemen, die Menschen bei der Entscheidungsfindung unterstützen, und schließlich zu Systemen übergeht, die zunehmend selbst handeln, wird die Datenschicht zu einem Teil der Steuerungsebene für das Unternehmen.

Das ist die Gelegenheit, für die wir MongoDB entwickeln.

Der Name am Anfang dieses Beitrags ist Ihnen vielleicht vertraut, aber MongoDB ist weit mehr als seine Führungskraft. Es sind die Produkt- und Entwicklungsteams, die kontinuierlich bedeutende Innovationen vorantreiben, die Go-to-Market-Teams, für die die Ergebnisse unserer Kunden an erster Stelle stehen, und die Kunden, die MongoDB ihre anspruchsvollsten und strategisch wichtigsten Anwendungen anvertrauen.

Ich bin ihnen allen dankbar für das, was heute geleistet wurde. Wir sehen uns morgen bei .local NYC.