_Spot.svg?auto=format%252Ccompress)
AI 工作负载的前景
生成式 AI 密集型应用程序
当今的智能应用已超越了预测分析，创造了全新的体验 — 从提供个性化支持的聊天机器人到利用 AI 生成的图片、代码、音频和视频 — 所有这些都来自自然语言输入，并且可实时完成。
传统的 AI 密集型应用程序
大多数现代应用程序都利用分析来创建更有意义和反应更快的客户体验。通过使用机器学习模型，AI 可以在个性化、欺诈预防、预测性维护等方面自动完成复杂的决策。
特征存储和推理存储
特征存储是用于存储和提供机器学习模型中所使用属性的系统。离线特征存储优先考虑高吞吐量，并用于模型训练。推理存储或在线特征存储优先考虑用于实时推理和服务实时应用程序的低延迟。
用于构建 AI 驱动型应用程序的资源
了解如何利用 MongoDB 简化下一代 AI 驱动型应用程序的开发。
查看资源核心平台功能
统一多样化的数据服务
通过操作、分析和 AI 数据服务，在高度可扩展且安全的多云平台上，利用单一数据模型和单一查询 API 来简化 AI 生命周期。
灵活的文档模型
通过数据导入、存储和索引编制，无需冗长的架构设计或持续修改，即可针对任何类型的新参数和数据开展创新和实验。
优化存储和分层
通过将数据分层和联邦与行列索引整合到水平可扩展的可操作性数据库中，实现推理存储的高吞吐量和低延迟。
熟悉、易于表达的 API
使用单一的表达式查询 API 来简化数据准备、模型训练、推理和知识检索，从而提高开发者和 ML/AI 团队的工作效率。
原生矢量功能
通过原生集成的矢量和文档数据存储，利用生成式人工智能增强应用程序，无需配置、保护或管理额外的基础架构。
广泛的集成
利用领先的多云开发者数据平台和强大的 AI 合作伙伴生态系统（包括 MLOps 平台和开源大型语言模型）构建 AI 赋能的应用程序。
利用集成式数据服务套件来构建 ML/AI 应用程序
数据库
为满足弹性、可扩展性、数据隐私和安全性要求而构建的多云数据库服务。
Vector Search
Atlas Vector Search 与 Atlas 数据库实现了统一，可支持集成到大型语言模型中，是构建语义搜索和 AI 驱动式应用程序的一种快捷方法。
全文搜索
Atlas Search 的关键字搜索与基于 Atlas Vector Search 的语义搜索相结合，可提高大型语言模型提示的相关性和准确性。
触发器和函数
自动运行代码以响应数据库变更、用户事件或预设时间间隔。轻松与部署为 REST 端点的机器学习模型进行交互。
时间序列集合
将文档模型的灵活性与时间序列集合相结合，以构建和运行数据密集型分析应用程序。
数据同盟
在 Atlas 数据库和云对象存储中无缝查询、转换和聚合数据。
Atlas Stream Processing（预览版）
以变革方式构建需要偏差检测、特征存储和增强管道的 ML/AI 应用程序。统一处理动态和静态数据。
Spark Connector
将 MongoDB 数据与 Apache Spark 和 Databricks 中的大容量、高速数据相结合，构建新型复杂 AI 应用程序。
PyMongoArrow
在 MongoDB 和领先的机器学习库（包括 Pandas 和 Scikit-learn）之间高效移动数据。
应用程序驱动型智能：技术领导者指南
要在数字经济中保持竞争力并取得成功，打造更加智能的应用程序势在必行。更智能的应用程序使用数据、AI 和分析，通过自然语言来吸引用户、生成见解并自主采取行动。
要构建这种新一代应用程序，我们就需要采取不同的实践方法。我们不能再仅依赖于将数据从操作系统复制到集中式分析系统，而是必须直接将新型 AI 和分析处理引入到数据所在的应用程序。我们将这种方式称为应用程序驱动型智能。
利用 MongoDB Atlas 和大型语言模型实现从 0 到 1 的企业级支持
开始利用 MongoDB Atlas、广受欢迎的生成式人工智能框架和大型语言模型，构建可大规模执行的下一代应用程序
_Spot_BS_SpringGreen.svg?auto=format%252Ccompress)