BLOGAnnounced at MongoDB.local NYC 2024: A recap of all announcements and updates — Learn more >

ATLAS

Vektorsuche

Erstellen Sie intelligente Anwendungen mit Semantic Search und generativer KI für jede Art von Daten.
Tutorial erkunden
Atlas Vector Search illustration.
Was ist Atlas Vector Search?
Integrieren Sie Ihre operative Datenbank und die Vektorsuche in eine einzige, einheitliche und vollständig verwaltete Plattform mit einer nativen MongoDB-Schnittstelle, die große KI-Sprachmodelle (Large Language Models, LLMs) über die gängigen Frameworks nutzen kann.3-minütiges Video ansehen

Vorgestellte Integrationen

LangChain
LlamaIndex
OpenAI
Hugging Face
Cohere

Alle anzeigen
Wichtige Anwendungsfälle für Atlas Vector Search

Wichtige Anwendungsfälle für Atlas Vector Search

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.Was ist Retrieval Augmented Generation?
Vektorsuche vereinfacht

Vektorsuche vereinfacht

Mit Atlas Vector Search können Entwickler KI-gestützte Erlebnisse erstellen und dabei auf alle benötigten Daten über eine einheitliche und konsistente Entwicklererfahrung in Form der MongoDB Query API zugreifen. Unsere neue Aggregationsstufe $vectorSearch bietet denjenigen, die bereits mit MongoDB arbeiten, zusätzliche Vorteile.Vektorsuche in 3 Minuten erklärt
Vermeiden Sie die Synchronisationssteuer

Vermeiden Sie die Synchronisationssteuer

Mit der Leistungsfähigkeit des Dokumentenmodells speichern Sie Vektoreinbettungen direkt neben Ihren Quelldaten und Metadaten. Vektoreinbettungen werden mit Anwendungsdaten integriert und nahtlos für semantische Abfragen indiziert, sodass Sie einfacher und schneller erstellen können.Was ist eine Dokumentendatenbank?
Entfernen von schwerem Heben im Betrieb

Entfernen von schwerem Heben im Betrieb

Atlas Vector Search basiert auf der MongoDB Atlas-Entwicklerdatenplattform. Automatisieren Sie ganz einfach die Bereitstellung, Patches, Upgrades, Skalierung, Sicherheit und Disaster Recovery und verschaffen Sie sich gleichzeitig einen umfassenden Überblick über die Leistung von Datenbank und Vector Search, damit Sie sich auf die Entwicklung von Anwendungen konzentrieren können.

Robuste Umgebung für KI-Integrationen

Atlas Vector Search beschleunigt Ihren Weg zur Entwicklung fortschrittlicher Such- und generativer KI-Anwendungen durch die Integration mit einer Vielzahl von Top-LLMs und Frameworks.
LangChain-Logobild.

LangChain

MongoDB Atlas Vector Search ist mit LangChain integriert, um ein „Langzeitgedächtnis“ für LLMs und als Speicher für Chat-Konversationen bereitzustellen.

LlamaIndex-Logobild.

LlamaIndex

MongoDB Atlas Vector Search ist mit LlamaIndex integriert, um ein „Langzeitgedächtnis“ für LLMs sowie einen Speicher für Dokumentenchunks bereitzustellen.

OpenAI-Logobild.

OpenAI

Die von OpenAI generierten Vektor-Embeddings können in MongoDB Atlas Vector Search gespeichert werden, um leistungsstarke generative KI-Anwendungen zu erstellen.

Hugging Face-Logobild.

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-Logobild.

Cohere

Die von Cohere generierten Vektor-Embeddings können in MongoDB Atlas Vector Search gespeichert werden, um leistungsstarke generative KI-Anwendungen zu erstellen.

Nomic-Logobild.

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.

Logobild des Microsoft Semantic Kernel.

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.“
Saravana Kumar
CEO, Kovai
Lesen Sie die vollständige Story
„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.“
Mars Lan
Mitbegründer und CTO, Metaphor Data
„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.“
Russell Sherman
Mitbegründer und CTO bei VISO TRUST
„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.“
Nathan Clevenger
Gründer und CTO, Drivly Inc.

Ressourcen für die Entwicklung von KI-basierten Anwendungen

Finden Sie heraus, wie Sie MongoDB nutzen können, um die Entwicklung der nächsten Generation von KI-gestützten Anwendungen zu optimieren.
Zu den Ressourcen

Häufige Fragen

Was ist semantische Suche?
Unter semantischer Suche versteht man die Suche nach der Bedeutung von Daten und nicht nach den Daten selbst.
Was ist ein Vektor?
Ein Vektor ist eine numerische Darstellung von Daten und dem zugehörigen Kontext, nach der mithilfe fortschrittlicher Algorithmen effizient gesucht werden kann.
Wie unterscheidet sich Atlas Vector Search von Atlas Search?
Was ist KNN?
KNN steht für „K Nearest Neighbors“. Dieser Algorithmus wird häufig verwendet, um Vektoren zu finden, die nahe beieinander liegen.
Mehr lesen
Was ist $vectorSearch und wie unterscheidet es sich vom Operator knnBeta in $search?
$vectorSearch ist eine neue Aggregationsstufe in MongoDB Atlas, mit der Sie eine Approximate Nearest Neighbor-Abfrage mit MongoDB Query Language-Filterung (z. B. „$eq“ oder „$gte“) ausführen können. Diese Phase wird von Atlas Cluster ab Version 6.0 unterstützt. Auch der Operator knnBeta in $search wird weiterhin unterstützt.
Mehr lesen
Was ist ANN?
ANN steht für „Approximate Nearest Neighbors“ und ist ein Ansatz zum Auffinden ähnlicher Vektoren, bei dem die Genauigkeit zugunsten der Leistung aufgegeben wird. Dies ist einer der Hauptalgorithmen, die für die Atlas Vector Search verwendet werden. Unser Algorithmus für die Approximate Nearest Neighbor Suche verwendet die Hierarchical Navigable Small World (HNSW) Graphen.
Welche Vektor-Einbettungen werden von Atlas Search unterstützt?
Atlas Vector Search unterstützt Einbettungen von allen Anbietern, die unter dem Limit von 2048 Dimensionen für den Service liegen.
Funktioniert Vector Search mit Bildern, Mediendateien und anderen Datentypen?
Ja, Atlas Vector Search kann jede Art von Daten abfragen, die in eine Einbettung umgewandelt werden können. Einer der Vorteile des Dokumentenmodells ist, dass Sie Ihre Einbettungen direkt neben Ihren umfassenden Daten in Ihren Dokumenten speichern können.
Register Now
Lupe mit Dokumenten.

Sind Sie bereit, einzusteigen?

In unserem Tutorial erfahren Sie, wie Sie schnell Einbettungen Ihrer MongoDB-Daten erstellen und diese mit unserer Vektorsuchfunktion durchsuchen können.Zur Anmeldung