ATLAS
Vector Search. Erstellen Sie intelligente Apps mit GenAI
Empfohlene Integrationen
Wichtige Anwendungsfälle für die Atlas-Vektorsuche
Mit Atlas Vector Search können Sie unstrukturierte Daten durchsuchen. Sie können Vektoreinbettungen mit Machine-Learning-Modellen wie OpenAI und Hugging Face erstellen und diese in Atlas für Retrieval Augmented Generation (RAG), semantische Suche, Empfehlungsmaschinen, dynamische Personalisierung und andere Anwendungsfälle speichern und indizieren.
Vektorsuche vereinfacht
Mit Atlas Vector Search können Entwickler KI-gestützte Erfahrungen erstellen und gleichzeitig über eine einheitliche und konsistente Entwicklererfahrung in Form der MongoDB Query API auf alle benötigten Daten zugreifen. Unsere neue Aggregationsstufe $vectorSearch macht es für diejenigen, die MongoDB bereits verwenden, noch einfacher.
Vermeiden Sie die Synchronisationssteuer
Speichern Sie Vektoreinbettungen direkt neben Ihren Quelldaten und Metadaten mit der Leistungsfähigkeit des Dokumentmodells. Vektoreinbettungen werden in Anwendungsdaten integriert und für semantische Abfragen nahtlos Index , sodass Sie einfacher und schneller erstellen können._Spot.svg?auto=format%252Ccompress)
Entfernen von schwerem Heben im Betrieb
Atlas Vector Search basiert auf der Entwicklerdatenplattform MongoDB Atlas. Automatisieren Sie problemlos Bereitstellung, Patching, Upgrades, Skalierung, Sicherheit und Notfallwiederherstellung und bieten Sie gleichzeitig einen umfassenden Einblick in die Leistung sowohl der Datenbank als auch der Vector Search, sodass Sie sich auf die Entwicklung von Anwendungen konzentrieren können.Robuste Umgebung für KI-Integrationen
LangChain
MongoDB Atlas Vector Search ist mit LangChain integriert, um ein „Langzeitgedächtnis“ für LLMs und als Speicher für Chat-Konversationen bereitzustellen.
LamaIndex
MongoDB Atlas Vector Search ist mit LlamaIndex integriert, um ein „Langzeitgedächtnis“ für LLMs sowie einen Speicher für Dokumentenchunks bereitzustellen.
OpenAI
Die von OpenAI generierten Vektor-Embeddings können in MongoDB Atlas Vector Search gespeichert werden, um leistungsstarke generative KI-Anwendungen zu erstellen.
Hugging Face
Hugging Face bietet Zugang zu vielen Open-Source-Modellen, die einfach zur Erzeugung von Vektoreinbettungen und deren Speicherung in Atlas Vector Search verwendet werden können.
Cohere
Die von Cohere generierten Vektor-Embeddings können in MongoDB Atlas Vector Search gespeichert werden, um leistungsstarke generative KI-Anwendungen zu erstellen.
Nomic
Nomic bietet die Möglichkeit, Daten von Vektoreinbettungen einfach im Webbrowser zu visualisieren und zu erforschen sowie Vektoreinbettungen über thegpt4all zu erzeugen. Dies funktioniert problemlos mit Atlas Vector Search.
Microsoft Semantic Kernel
Semantic Kernel ist ein SDK, das die Erstellung von LLM-Anwendungen mit Programmiersprachen wie C# und Python vereinfacht. Die Vektorsuche von Atlas wird integriert, um „Speicher“ für LLM-Anwendungen bereitzustellen.
„Wir wollen es den Nutzern der Wissensdatenbank unserer Kunden ermöglichen, sofortige, vertrauenswürdige und genaue Antworten auf ihre Fragen zu erhalten, indem sie die dialogorientierte Suche nutzen, die von der MongoDB Atlas Vector Search und den generativen KI-Funktionen unterstützt wird.“
„Wir haben uns zunächst nach anderen Anbietern für die Vektorsuche umgesehen. Als wir jedoch die Vector Search von MongoDB sahen, war es ein klarer Fall – da wir wissen, dass wir alles nach Atlas verlagern werden, wussten wir, dass wir einfach alles dort konsolidieren sollten.“
„Mit Atlas Vector Search verfügen wir jetzt über eine kampferprobte Datenbank mit Vektormetadaten, die über ein Jahrzehnt hinweg verfeinert wurde und die unsere umfangreichen Suchanforderungen effektiv erfüllt. Es besteht keine Notwendigkeit, eine neue Datenbank zu implementieren, da unsere Vektoren und Artefakt-Metadaten nahtlos parallel zueinander gespeichert werden können.“
„Wir verwenden KI-Einbettungen und die Vektorsuche, um über die Volltextsuche mit semantischer Bedeutung hinauszugehen und den generativen KI-Autokaufassistenten Kontext und Gedächtnis zu verleihen. Wir freuen uns sehr, dass MongoDB Vector Search zu Atlas hinzugefügt hat, was unsere Entwicklungsarbeit erheblich vereinfacht.“
Häufige Fragen
Was ist semantische Suche?
Was ist ein Vektor?
Wie unterscheidet sich Atlas Vector Search von Atlas Search?
Was ist KNN?
Was ist $vectorSearch und wie unterscheidet es sich vom knnBeta-Operator in $search?
Was ist ANN?
Welche Vektor-Einbettungen werden von Atlas Search unterstützt?
Funktioniert Vector Search mit Bildern, Mediendateien und anderen Datentypen?
Atlas optimal nutzen
Datenbank
Nutzen Sie unseren Multi-Cloud-Datenbank-Service, der für Ausfallsicherheit, Skalierung und ein Höchstmaß an Datenschutz und Sicherheit entworfen wurde.
Charts
Stellen Sie Ihre Daten sofort dar. Erstellen und teilen Sie Visualisierungen und betten Sie sie in Apps ein – für Echtzeiteinblicke und Business Intelligence.
Data Federation
Nur in bezahlten Kontingenten enthaltenAnalysieren Sie mühelos umfangreiche über Atlas und AWS S3 verteilte Daten. Kombinieren, transformieren und ergänzen Sie Daten aus verschiedenen Quellen ohne komplexe Integrationen.
_Spot_BS_Mist.svg?auto=format%252Ccompress)