MongoDB für künstliche Intelligenz
_Spot.svg?auto=format%252Ccompress)
Die Landschaft der KI-Workloads
Generative KI-angereicherte Anwendungen
Die intelligenten Apps von heute gehen über prädiktive Analysen hinaus und schaffen völlig neue Erlebnisse – von Chatbots, die personalisierte Unterstützung bieten, bis hin zu KI-generierten Bildern, Code, Audio und Video – alles auf der Grundlage von Eingaben in natürlicher Sprache und in Echtzeit.
Traditionelle KI-gestützte Anwendungen
Die meisten modernen Anwendungen nutzen Analysen, um aussagekräftigere und reaktivere Kundenerfahrungen zu schaffen. Durch den Einsatz von maschinellen Lernmodellen automatisiert KI komplexe Entscheidungsprozesse für Personalisierung, Betrugsprävention, vorausschauende Wartung und mehr.
Feature Store und Inference Store
Feature Stores (Objektspeicher) sind Systeme zum Speichern und Bereitstellen von Attributen, die in Modellen für maschinelles Lernen verwendet werden. Offline-Feature-Stores priorisieren einen hohen Durchsatz und werden für das Training von Modellen verwendet.Inferenz Stores (Inferenzspeicher) oder Online Feature Stores legen den Schwerpunkt auf niedrige Latenzzeiten für Echtzeit-Inferenzen und die Bereitstellung von Live-Anwendungen.
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 RessourcenWesentliche Fähigkeiten der Plattform
Vereinheitlichung verschiedener Datendienste
Vereinfachen Sie den KI-Lebenszyklus durch operative, analytische und KI-Datenservices, die ein einziges Datenmodell und eine einzige Abfrage-API auf einer hoch skalierbaren und sicheren Multicloud-Plattform nutzen.
Flexibles Dokumentmodell
Entwickeln und experimentieren Sie mit neuen Parametern und Daten jeglicher Art, indem Sie Daten ohne langwieriges Schema-Design oder laufende Änderungen landen, speichern und indizieren.
Optimierte Speicherung und Tiering
Erzielen Sie hohen Durchsatz und niedrige Latenzzeiten für Inferenzspeicher und durch die Kombination von Data Tiering und Federation mit Zeilen- und Spaltenindizierung in einer horizontal skalierbaren, operativen Datenbank.
Ausdrucksstarke, vertraute API
Steigern Sie die Produktivität von Entwicklern und ML/AI-Teams mit einer einzigen aussagekräftigen Abfrage-API, die die Datenaufbereitung, das Modelltraining, die Inferenzierung und den Wissensabruf vereinfacht.
Native Vektorfunktionen
Erweitern Sie Anwendungen mit generativer KI durch nativ integrierte Vektor- und Dokumentendatenspeicher ohne zusätzliche Infrastruktur, die bereitgestellt, gesichert oder verwaltet werden muss.
Umfangreiche Integrationen
Erstellen Sie KI-angereicherte Anwendungen mit der führenden Multicloud-Plattform für Entwicklerdaten und einem robusten KI-Partner-Ökosystem, einschließlich MLOps-Plattformen und Open Source LLMs.
„Die gesamte Geschäftslogik unserer Plattform muss sehr schnell Entscheidungen treffen. Das alles läuft auf Atlas, wodurch wir schneller vorankommen, weil wir uns nicht um die Bereitstellung oder Skalierung kümmern müssen. Immer wenn wir mehr Felder, mehr Abfragen oder mehr Schritte in der Geschäftslogik hinzufügen müssen, funktioniert Atlas einfach. Wir müssen nicht darüber nachdenken.“
„Mit der Datenplattform MongoDB für Entwickler können wir mühelos eine wachsende Anzahl von Benutzerinteraktionen verwalten, die Datentypen wie zum Beispiel Text umfassen – und das alles bei gleichbleibenden Höchstleistungen.“
„Mit Atlas Vector Search verfügen wir jetzt über eine umfassende Vektor-/Metadaten-Datenbank, die sich seit über einem Jahrzehnt bewährt hat und unsere Anforderungen an ein umfassendes Retrieval [für Retrieval Augmented Generation] erfüllt. Wir müssen keine neue Datenbank einrichten, die zu verwalten und zu erlernen ist.“
Erstellen Sie ML/AI-Anwendungen mit einer Suite aus integrierten Datenservices
Datenbank
Ein Multi-Cloud-Datenbankservice, der auf Ausfallsicherheit, Skalierbarkeit, Datenschutz und Sicherheit ausgelegt ist.
Vektorsuche
Atlas Vector Search ist mit Atlas Database vereint und unterstützt die Integration in LLMs. So können Sie schnell und einfach eine semantische Suche und KI-gestützte Anwendungen entwickeln.
Volltextsuche
Kombinieren Sie die Stichwortsuche von Atlas Search mit der semantischen Suche von Atlas Vector Search, um die Relevanz und Genauigkeit der Eingabeaufforderungen für LLMs zu verbessern.
Triggers und Funktionen
Führen Sie Code als Reaktion auf Datenbankänderungen, Benutzerereignisse oder in voreingestellten Intervallen automatisch aus. Interagieren Sie einfach mit ML-Modellen, die als REST-Endpunkte bereitgestellt werden.
Time Series Collections
Erstellen und betreiben Sie datenintensive analytische Anwendungen, indem Sie die Flexibilität des Dokumentenmodells mit Time Series Collections kombinieren.
Data Federation
Nahtlose Abfrage, Transformation und Aggregation von Daten über Atlas-Datenbanken und Cloud-Objektspeicher hinweg.
Atlas Stream Processing (Vorschau)
Transformieren Sie die Erstellung von ML/KI-Apps, die Schräglagenerkennung, Feature Stores (Objektspeicher) und Anreicherungspipelines erfordern. Vereinheitlichen Sie die Arbeit mit Daten in Bewegung und im Ruhezustand.
Spark Connector
Erstellen Sie neue Klassen anspruchsvoller KI-Apps, die MongoDB-Daten und hochvolumige Daten mit hoher Geschwindigkeit in Apache Spark und Databricks kombinieren.
PyMongoArrow
Verschieben Sie Daten effizient zwischen MongoDB und führenden ML-Bibliotheken wie Pandas und Scikit-learn.
Anwendungsorientierte Intelligenz: Ein Leitfaden für Technologieführer
Um in der digitalen Wirtschaft wettbewerbsfähig zu bleiben und Fortschritte zu machen, müssen Sie Ihre Anwendungen intelligenter gestalten. Intelligentere Apps nutzen Daten, KI und Analysen, um Benutzer auf natürliche Weise anzusprechen, Einblicke zu generieren und eigenständige Maßnahmen zu ergreifen.
Um diese neue Generation von Apps zu entwickeln, müssen wir jedoch anders als gewohnt vorgehen. Wir können uns nicht mehr allein auf das Übertragen unserer Daten aus Betriebssystemen in zentrale Analysesysteme verlassen. Stattdessen müssen wir eine neue KI-Klasse und eine andere Art der analytischen Verarbeitung direkt zur Datenquelle bringen – also zu den Anwendungen selbst. Wir nennen dies anwendungsorientierte Intelligenz.
Definition der nächsten Welle moderner Apps
MongoDB Atlas gibt Entwicklern leistungsstarke KI- und Analysefunktionen direkt in die Hand, die zu ihren Arbeitsabläufen, Frameworks und Sprachen passen.
Erfahren Sie mehr über die Voraussetzungen für die erfolgreiche Bereitstellung von anwendungsorientierter Intelligenz und wie Sie damit beginnen können.
Programm für KI-Innovatoren von MongoDB
Mit MongoDB Atlas und LLMs zu Lösungen, die für Unternehmen geeignet sind
Beginnen Sie mit MongoDB Atlas, beliebten generativen KI-Frameworks und LLMs, um Ihre Anwendung der nächsten Generation zu erstellen, die in großem Umfang funktioniert
MongoDB in eine prädiktive Datenbank verwandeln
Verwendung von MongoDB und MindsDB zur Verbesserung der Vorhersagefähigkeiten für Data Science- und Data Engineering-Teams.
Tutorial zur semantischen Suche mit Atlas Vector Search und OpenAI
Erfahren Sie, wie Sie eine OpenAI-API aufrufen und eine Vektorsuchanfrage in MongoDB Atlas durchführen.
Gemeinsame Nutzung von MongoDB Atlas und Databricks
Ein detaillierter Einblick in die Integration von MongoDB Atlas und Databricks.
Aufbau einer ML-gestützten Underwriting-Engine
Erstellung eines nutzungsbasierten Versicherungsmodells mit MongoDB und Databricks.
_Spot_BS_SpringGreen.svg?auto=format%252Ccompress)