AnkündigungWir stellen MongoDB 8.0 vor, das schnellste MongoDB aller Zeiten! Mehr erfahren >
AnkündigungVoyage AI und MongoDB unterstützen ab sofort gemeinsam genauere und vertrauenswürdigere KI-Anwendungen auf Atlas. Mehr erfahren >

Database Digest Bd. 2

Einheitliche Intelligenzschicht

Verwandeln Sie Fragmentierung in Kohäsion. Sehen Sie sich die moderne Datenplattform an, die für den gesamten Retrieval-Lebenszyklus in der Produktion entwickelt wurde.

Magazin herunterladen

Die Behandlung des Architektur-Overheads

Eine einheitliche Intelligenzschicht ist nicht nur eine abstrakte Idee; es ist eine konkrete Liste von Datenfähigkeiten, die genau am selben Ort existieren müssen.

Das branchenübliche Architekturmuster für produktionsbereite agentische KI ist ein konvergierter Datenspeicher. Die Kerneinheiten, mit denen ein Unternehmen arbeitet, der Vektor, über den seine KI-Agenten schlussfolgern, und der live Betriebszustand, den diese Agenten über Multisitzungsinteraktionen sammeln, müssen unter einer einzigen API, einer einzigen Abfragesprache und einem einzigen Sicherheitsmodell zusammenleben.

Wenn Betriebsdaten, Vektorsuche, Volltextsuche, Einbettungsgenerierung, Agentenspeicher und Streamverarbeitung auf einer Plattform zusammenkommen, verschwinden sechs komplexe Integrationsprobleme vollständig. Die Modelle werden sich ständig verbessern, und die Orchestrierungs-Frameworks werden sich ständig weiterentwickeln, aber die zugrunde liegende Datenschicht muss beides überdauern. Wenn man das System korrekt auf einheitliche Geschäftsobjekte ausrichtet, werden Modellwechsel zu einfachen Umstrukturierungen statt zu risikoreichen Neuaufbauten der Infrastruktur.

KI selbst ist domänenunabhängig. Ganz gleich, ob es sich bei dem Workload um einen Roboter handelt, der ein Drehmoment meldet, ein Betrugsermittler, der Transkripte durchsucht, oder ein Agent, der die Bestellhistorie eines Kunden in Echtzeit abruft, die Basis bleibt dieselbe. Durch die Vereinheitlichung zahlt sich die Konsolidierung auch in scheinbar nicht miteinander verbundenen Betriebsbereichen aus.

Eine Grafik, die die Komplexität der Verknüpfung mehrerer Technologien im Vergleich zur Einfachheit der Verwendung eines Single View mit MongoDB verdeutlicht

Anschauen: Warum Daten im Zeitalter der KI die einzige Konstante sind

Datenschicht der Fertigung

Der einheitliche Namespace verbindet die Fabrikebenen, aber vorübergehende Feeds reichen für die KI nicht aus. Um Linien zu koordinieren, benötigen Agenten einen dauerhaften Speicher.

Erinnerung bewahrt die industrielle Vergangenheit

Ein einheitlicher Namespace veröffentlicht den aktuellen Zustand von SPS und Sensoren, aber ein Herstellungsagent benötigt Kontext wie frühere Vorfälle, Schichthinweise und manuelle Einbettungen, um Toleranzverschiebungen zu beheben. MongoDB erweitert den Namespace, indem es Telemetrie und Vektoren nativ zusammen speichert.

  • Time Series-Sammlungen nehmen schnelle Sensor-Telemetriedatenströme auf.
  • Die Vektorsuche führt eine semantische Abfrage von Reparaturhandbüchern durch.
  • Stream-Verarbeitung reichert industrielle Daten bereits beim Eintreffen an.
Whitepaper herunterladen
Erinnerung bewahrt die industrielle Vergangenheit
Architektur der Fertigungsdatenplattform mit OT-Datenquellen, einer UNS-Schicht, MongoDB-Funktionen und Analysesystemen wie Visualisierung, Objektspeicherung und einem Data Warehouse.

Unified Commerce mit intelligenter Suche

Einzelhandelsteams haben den Großteil des letzten Jahrzehnts damit verbracht, ein nahtloses Erlebnis über Web-Apps, mobile Portale, physische Filialen und Support-Callcenter zu bieten. Die Daten waren immer da, aber sie waren in isolierten Altsystem-Silos gefangen. Das Ergebnis war fragmentierte betriebliche Reibung: Unterschiedliche Online- und Filialbestandszahlen, widersprüchliche Produktempfehlungen und nicht übereinstimmende Suchanfragen.

Unified commerce behebt diese oberflächlichen Herausforderungen, indem es die darunterliegenden Daten auf einer einzigen Plattform konsolidiert. Da Produktkataloge, Lagerbestände, Preise, Bestellhistorien und Personalisierungsdaten in einem einzigen Datenspeicher zusammengefasst sind, können Suchalgorithmen lexikalische Präzision, semantische Bedeutung und georäumliche Signale nahtlos miteinander kombinieren. Die exakt gleiche Abfrage, die Produkte nach Relevanz sortiert, kann den nächstgelegenen Laden mit verfügbarem Lagerbestand anzeigen.

Sobald die Daten einheitlich sind, nutzt die kanalübergreifende Personalisierung die Echtzeithistorie, ohne auf nächtliche ETL-Batchjobs zu warten. Am wichtigsten ist jedoch, dass die gleiche Datenebene, die den digitalen Shop antreibt, auch die Grundlage für den KI-gestützten Kundendienstagenten bildet. Dies gewährleistet eine Single Source of Truth über alle Kanäle hinweg.

Einheitliches Handelsdiagramm mit einer zentralen Schleife, die von sechs Vorteilen umgeben ist: zentralisierte Daten, Echtzeit-Transparenz, optimierte Abläufe, zentrale Bestandsverwaltung, KI/Maschinelles Lernen und reibungsloser Handel

Bekämpfung von Finanzkriminalität mit maschineller Geschwindigkeit

Die Aufklärung von Finanzkriminalität befindet sich an der Schnittstelle zweier komplexer Datenprobleme. Die erste Kategorie umfasst strukturierte Daten: Transaktionsdatensätze, Kontenhierarchien, KYC-Felder (Know Your Customer) und Sanktionslisten der Aufsichtsbehörden. Die zweite Kategorie umfasst unstrukturierte Daten: Ermittler-Fallnotizen, Audiotranskripte und rechtliche Dokumente. Seit Jahrzehnten haben Banken beide Teile in getrennten Systemen isoliert und sie auf der Alarmebene abgeglichen. Die Ermittler zahlen den Preis: 90 % der herkömmlichen Warnmeldungen sind Fehlalarme, die die Compliance-Teams überfordern, während echte Bedrohungen unentdeckt bleiben.

Angesichts der Tatsache, dass weltweite Finanzinstitute jährlich über 2 Billionen US-Dollar durch Finanzkriminalität verlieren – eine Zahl, die bis 2030 voraussichtlich auf 6 Billionen US-Dollar ansteigen wird – ist die Fragmentierung ein erhebliches Risiko. Dadurch erkennen Plattformen Bedrohungen langsamer, lassen sich schwerer prüfen und sind im Betrieb teurer. Durch die Zusammenführung strukturierter Datensätze mit unstrukturierten Dokumenten unter strengen Zugriffskontrollen auf Feldebene können Systeme komplexe Muster sofort erkennen.

Architektur der MongoDB-Datenplattform zur Bekämpfung von Finanzkriminalität, die Datenquellen und APIs zeigt, die Kunden-, Bank- und Risikodaten in MongoDB für Transaktionsüberwachung, Risikobewertung und Fallmanagement einspeisen.

Intelligente Anwendungen für den Kfz-Kundendienst

Eine ähnliche Herausforderung besteht in Kfz-Werkstätten, wo Techniker bis zu 30 % ihrer Zeit mit der Suche nach Reparaturinformationen verbringen, anstatt Fahrzeuge zu reparieren. Darüber hinaus machen „no fault found“ (NFF) Ereignisse – bei denen eine funktionierende Komponente ersetzt wird, weil die Diagnosen nicht schlüssig waren – fast 30 % der globalen Garantiekosten aus.

Sobald die technischen Merkblätter per OCR verarbeitet und mithilfe multimodaler Modelle in MongoDB Atlas eingebettet wurden, kann ein Techniker ein Symptom beschreiben oder ein Foto von einem korrodierten Stecker machen. Der Agent verwendet Vektorsuche, um den korrekten Handbuchabschnitt zu finden, durchläuft einen verbundenen Fehlerbaum mit $graphLookup und wendet einen Reranker an, um Sicherheitswarnungen anzuzeigen. Dieses einheitliche Backend für Graphen und Vektoren verkürzt die Diagnosezeiten und senkt die Garantiekosten innerhalb eines einzigen Produktzyklus.

Technisches Dokument: Retrieval Augmented Generation (RAG)-Pipeline-Diagramm mit OCR und Chunking, Metadatenanreicherung, MongoDB Atlas-Speicherung und -Abruf sowie einbettungsbasierter Abfrage relevanter Dokumente

Vorantreiben der KI-Transformation

Datenbank-Zusammenfassung

Die einheitliche Intelligenzschicht: Wegbereiter für das Zeitalter der Agenten

Optimieren Sie die KI-Systeme Ihres Unternehmens, indem Sie fragmentierte Datenstrukturen durch einheitliche Daten ersetzen.

Magazin herunterladen

INHALTSVERZEICHNIS