ATLAS
Vektorsuche
Erstellen Sie intelligente Anwendungen mit Semantic Search und generativer KI für jede Art von Daten.
Vorgestellte Integrationen
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.
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.
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.
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
MongoDB Atlas Vector Search ist mit LangChain integriert, um ein „Langzeitgedächtnis“ für LLMs und als Speicher für Chat-Konversationen bereitzustellen.
LlamaIndex
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.“
CEO, Kovai
„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.“
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.“
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.“
Gründer und CTO, Drivly Inc.
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?
Atlas Vector Search ermöglicht die Suche in Daten auf der Grundlage der in Vektoren erfassten semantischen Bedeutung, während Atlas Search die Suche nach Schlüsselwörtern ermöglicht (d. h. auf der Grundlage des eigentlichen Textes und definierter Synonymzuordnungen).
Was ist KNN?
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.
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
