Rachelle Palmer

23 results

Atlas Vector Search Once Again Voted Most Loved Vector Database

The 2024 Retool State of AI report has just been released, and for the second year in a row, MongoDB Atlas Vector Search was named the most loved vector database. Atlas Vector Search received the highest net promoter score (NPS), a measure of how likely a user is to recommend a solution to their peers. This post is also available in: Deutsch , Français , Español , Português , Italiano , 한국어 , 简体中文 . The Retool State of AI report is a global annual survey of developers, tech leaders, and IT decision-makers that provides insights into the current and future state of AI, including vector databases, retrieval-augmented generation (RAG) , AI adoption, and challenges innovating with AI. MongoDB Atlas Vector Search commanded the highest NPS in Retool’s inaugural 2023 report, and it was the second most widely used vector database within just five months of its release. This year, Atlas Vector Search came in a virtual tie for the most popular vector database, with 21.1% of the vote, just a hair behind pgvector (PostgreSQL), which received 21.3%. The survey also points to the increasing adoption of RAG as the preferred approach for generating more accurate answers with up-to-date and relevant context that large language models ( LLMs ) aren't trained on. Although LLMs are trained on huge corpuses of data, not all of that data is up to date, nor does it reflect proprietary data. And in those areas where blindspots exist, LLMs are notorious for confidently providing inaccurate "hallucinations." Fine-tuning is one way to customize the data that LLMs are trained on, and 29.3% of Retool survey respondents leverage this approach. But among enterprises with more than 5,000 employees, one-third now leverage RAG for accessing time-sensitive data (such as stock market prices) and internal business intelligence, like customer and transaction histories. This is where MongoDB Atlas Vector Search truly shines. Customers can easily utilize their stored data in MongoDB to augment and dramatically improve the performance of their generative AI applications, during both the training and evaluation phases. In the course of one year, vector database utilization among Retool survey respondents rose dramatically, from 20% in 2023 to an eye-popping 63.6% in 2024. Respondents reported that their primary evaluation criteria for choosing a vector database were performance benchmarks (40%), community feedback (39.3%), and proof-of-concept experiments (38%). One of the pain points the report clearly highlights is difficulty with the AI tech stack . More than 50% indicated they were either somewhat satisfied, not very satisfied, or not at all satisfied with their AI stack. Respondents also reported difficulty getting internal buy-in, which is often complicated by procurement efforts when a new solution needs to be onboarded. One way to reduce much of this friction is through an integrated suite of solutions that streamlines the tech stack and eliminates the need to onboard multiple unknown vendors. Vector search is a native feature of MongoDB's developer data platform, Atlas, so there's no need to bolt on a standalone solution. If you're already using MongoDB Atlas , creating AI-powered experiences involves little more than adding vector data into your existing data collections in Atlas. If you're a developer and want to start using Atlas Vector Search to start building generative AI-powered apps, we have several helpful resources: Learn how to build an AI research assistant agent that uses MongoDB as the memory provider, Fireworks AI for function calling, and LangChain for integrating and managing conversational components. Get an introduction to LangChain and MongoDB Vector Search and learn to create your own chatbot that can read lengthy documents and provide insightful answers to complex queries. Watch Sachin Smotra of Dataworkz as he delves into the intricacies of scaling RAG (retrieval-augmented generation) applications. Read our tutorial that shows you how to combine Google Gemini's advanced natural language processing with MongoDB, facilitated by Vertex AI Extensions to enhance the accessibility and usability of your database. Browse our Resources Hub for articles, analyst reports, case studies, white papers, and more. Want to find out more about recent AI trends and adoption? Read the full 2024 Retool State of AI report .

June 21, 2024

Atlas Vector Search가 다시 한 번 가장 사랑받는 벡터 데이터베이스로 선정되었습니다.

최근 발표된 2024 Retool AI 현황 보고서에서 2년 연속으로 MongoDB Atlas Vector Search 가 가장 사랑받는 벡터 데이터베이스로 선정되었습니다. 사용자가 동료에게 솔루션을 추천할 가능성을 측정하는 지표인 순추천지수(NPS)에서도 Atlas Vector Search가 가장 높은 점수를 받았습니다. Retool AI 현황 보고서는 개발자, 기술 리더, IT 의사 결정권자를 대상으로 벡터 데이터베이스, RAG (검색 증강 생성), AI 채택, AI 혁신 과제 등 AI의 현재 및 미래에 대한 통찰력을 제공하는 글로벌 연례 설문조사입니다. MongoDB Atlas Vector Search는 Retool의 첫 번째 2023년 보고서에서 가장 높은 NPS를 기록했으며, 출시 5개월 만에 두 번째로 널리 사용되는 벡터 데이터베이스가 되었습니다. 올해 Atlas Vector Search는 21.1%의 득표율을 얻었으며 이는 21.3%를 얻은 pgvector(PostgreSQL)와 매우 근소한 차이로, 사실상 동률이라고 할 수 있는 결과였습니다. 또한 이 설문조사에 따르면 대규모 언어 모델( LLM )이 학습되지 않은 최신 관련 문맥으로 보다 정확한 답변을 생성하기 위해 선호하는 접근 방식으로 RAG의 채택이 증가하고 있는 것으로 나타났습니다. LLM은 방대한 양의 데이터로 학습되지만, 모든 데이터가 최신 데이터는 아니며 독점 데이터를 반영하지도 않습니다. 그리고 사각지대가 존재하는 영역에서 LLM은 부정확한 "착각"을 자신 있게 제공하는 것으로 악명이 높습니다. 미세 조정은 LLM이 학습하는 데이터를 맞춤화하는 한 가지 방법이며, Retool 설문조사 응답자의 29.3%가 이 방법을 활용하고 있습니다. 하지만 직원 수가 5,000명 이상인 기업 중 1/3이 주식 시세와 같이 시간에 민감한 데이터와 고객 및 거래 내역과 같은 내부 비즈니스 인텔리전스에 액세스하는 데 RAG를 활용하고 있습니다. 바로 이런 경우에 MongoDB Atlas Vector Search이 진정으로 활약할 수 있습니다. 고객은 학습 및 평가 단계 모두에서 MongoDB에 저장된 데이터를 손쉽게 활용하여 생성 AI 애플리케이션의 성능을 보강하고 획기적으로 개선할 수 있습니다. 1년 동안 Retool 설문조사 응답자의 벡터 데이터베이스 활용률은 2023년 20%에서 2024년 63.6%로 눈에 띄게 증가했습니다. 응답자들은 벡터 데이터베이스 선택의 주요 평가 기준으로 성능 벤치마크(40%), 커뮤니티 피드백(39.3%), 개념 증명 실험(38%)을 꼽았습니다. 이 보고서에서는 문제점 중 하나로 AI 기술 스택 의 어려움을 명확히 강조하고 있습니다. 50% 이상의 응답자가 AI 스택에 어느 정도 만족, 별로 만족하지 못함, 또는 전혀 만족하지 않는다고 답했습니다. 응답자들은 또한 새로운 솔루션을 도입해야 할 때 조달 작업으로 인해 내부의 동의를 얻는 데 어려움을 겪었다고 답했습니다. 이러한 마찰을 줄이는 한 가지 방법은 기술 스택을 간소화하고 잘 알려지지 않은 여러 벤더를 온보딩할 필요가 없는 통합 솔루션 제품군을 사용하는 것입니다. 벡터 검색은 MongoDB 개발자 데이터 플랫폼인 Atlas의 기본 기능이므로 독립형 솔루션을 추가할 필요가 없습니다. 이미 MongoDB Atlas 를 사용 중인 경우, AI 기반 환경을 만들기 위해 Atlas의 기존 컬렉션에 벡터 데이터를 추가하기만 하면 됩니다. 개발자로서 Atlas Vector Search를 사용하여 생성형 AI 기반 앱 구축을 시작하려는 경우 다음과 같은 몇 가지 유용한 리소스가 있습니다. MongoDB를 메모리 제공자로 , Fireworks AI를 함수 호출로, LangChain을 대화 구성 요소 통합 및 관리로 사용하는 AI 연구 보조 에이전트를 구축하는 방법을 알아보세요. LangChain 및 MongoDB Vector Search에 대한 소개를 확인하고 긴 문서를 읽고 복잡한 쿼리에 대한 통찰력 있는 답변을 제공할 수 있는 나만의 챗봇을 만드는 방법을 알아보세요. Dataworkz의 Sachin Smotra 가 RAG(검색 증강 생성) 애플리케이션 확장의 복잡성에 대해 자세히 설명하는 동영상을 시청하세요. 튜토리얼을 통해 Google Gemini의 고급 자연어 처리 기능을 Vertex AI 확장 기능을 통해 MongoDB와 결합하여 데이터베이스의 접근성과 유용성을 향상하는 방법을 알아보세요. 리소스 허브에서 기사 , 분석가 보고서, 사례 연구, 백서 등을 확인하세요. 최근 AI 동향과 채택에 대해 더 자세히 알고 싶으신가요? 2024년 Retool AI 현황 보고서 전문을 읽어보세요 .

June 21, 2024

Atlas Vector Search 再次被评为最受欢迎的矢量数据库

Retool 的“2024 年 AI 现状”报告刚刚发布，MongoDB Atlas Vector Search 连续第二年被评为最受欢迎的矢量数据库。 Atlas Vector Search 获得了最高净推荐值 (NPS)，该值用于衡量用户向同伴推荐解决方案的可能性。 Retool 的“AI 现状”报告是对开发者、技术领导者和 IT 决策者进行的全球年度调查，提供了对 AI 的当前和未来状态的洞察，包括矢量数据库、检索增强生成 (RAG) 、AI 采用情况和使用 AI 创新的挑战。 MongoDB Atlas Vector Search 在 Retool 的 2023 年首份报告中获得了最高 NPS，并且在发布后仅五个月内就成为第二广泛使用的矢量数据库。今年，Atlas Vector Search 以 21.1% 的得票率并列成为最受欢迎的矢量数据库，仅次于获得 21.3% 投票率的 pgvector（PostgreSQL）。该调查还指出，人们越来越多地采用 RAG 作为在大型语言模型 ( LLM ) 未受过训练的最新相关背景下生成更准确回答的首选方法。虽然 LLM 是在庞大的数据语料库中训练出来的，但并非所有数据都是最新的，也不能反映专有数据。在那些存在盲点的领域，LLM 因自信地提供不准确的“幻觉”而臭名昭著。微调是自定义 LLM 训练数据的一种方式，29.3% 的 Retool 调查受访者利用这种方法。但是，在拥有超过 5,000 名员工的企业中，现在有三分之一的企业利用 RAG 来访问时间敏感的数据（例如股市价格）和内部商业情报，例如客户和事务历史记录。这是 MongoDB Atlas Vector Search 真正大放异彩的地方。在训练和评估阶段，客户可以轻松地利用他们在 MongoDB 中存储的数据来增强和显著改善其生成式 AI 应用程序的性能。在一年的时间里，Retool 调查受访者的矢量数据库利用率急剧上升，从 2023 年的 20% 上升到 2024 年的 63.6%，令人瞠目。受访者表示，他们选择矢量数据库的主要评估标准是性能基准 (40%)、社区反馈 (39.3%) 和概念验证实验 (38%)。该报告明确强调的痛点之一是 AI 技术堆栈的困难。超过 50% 的受访者表示，他们对自己的 AI 堆栈比较满意、不太满意或完全不满意。受访者还表示，在获得内部支持方面存在困难，而在需要采用新解决方案时，采购工作往往会使这一问题变得更加复杂。减少这种摩擦的一种方法是通过一套集成的解决方案，简化技术堆栈，并消除加入多个未知供应商的需要。矢量搜索是 MongoDB 的开发者数据平台 Atlas 的原生功能，因此无需依赖独立的解决方案。如果您已经在使用 MongoDB Atlas ，创建 AI 驱动的体验只需将矢量数据添加到 Atlas 现有的 collection 中即可。如果您是开发者，并想要开始使用 Atlas Vector Search 构建生成式人工智能应用程序，我们提供以下几个有用资源：了解如何构建一个 AI 研究助手代理，该代理使用 MongoDB 作为内存提供商、Fireworks AI 进行函数调用以及 LangChain 集成和管理会话组件。了解 LangChain 和 MongoDB Vector Search ，并学习创建自己的聊天机器人，该机器人可以阅读长篇文档并为复杂的查询提供深刻的回答。观看 Dataworkz 公司的 Sachin Smotra 深入探讨 RAG（检索增强生成）应用扩展的复杂性。阅读我们的教程，了解如何在 Vertex AI 扩展的支持下将 Google Gemini 的高级自然语言处理与 MongoDB 相结合，从而增强数据库的可访问性和可用性。浏览我们的资源中心，获取文章、分析报告、案例研究、白皮书等。想要进一步了解 AI 的最新趋势和采用情况？阅读 Retool 的“2024 年 AI 现状”完整报告。

June 21, 2024

Atlas Vector Search é eleito novamente o banco de dados vetorial mais amado

O relatório de 2024 "State of AI" da Retool acaba de ser lançado e, pelo segundo ano consecutivo, o MongoDB Atlas Vector Search foi considerado o banco de dados vetorial mais amado. O Atlas Vector Search recebeu a maior pontuação no NPS (Net Promoter Score), uma métrica da probabilidade do usuário recomendar uma solução a alguém. O relatório "State of AI" da Retool é uma pesquisa global e anual feita com desenvolvedores, líderes de tecnologia e tomadores de decisões da área de TI que fornece insights sobre o estado atual e futuro da IA, incluindo bancos de dados vetoriais, geração aumentada por recuperação (RAG) , adoção de IA e desafios para inovar com a IA. O MongoDB Atlas Vector Search fez jus ao NPS mais alto no relatório inaugural de 2023 da Retool e foi o segundo banco de dados vetorial mais utilizado em apenas cinco meses após seu lançamento. Este ano, o Atlas Vector Search ficou praticamente empatado como o banco de dados vetorial mais popular, com 21,1% dos votos, apenas um pouco atrás do pgvector (PostgreSQL), que recebeu 21,3%. A pesquisa também aponta para a crescente adesão do RAG como a abordagem preferida para gerar respostas mais precisas, com contexto atualizado e relevante, com o qual os grandes modelos de linguagem ( LLMs ) não são treinados. Embora os LLMs sejam formados em enormes corpus de dados, nem todos esses dados estão atualizados, nem refletem dados proprietários. E nas áreas onde existem pontos cegos, os LLMs são notórios por fornecer "alucinações" imprecisas com confiança. O ajuste fino é uma maneira de personalizar os dados nos quais os LLMs são formados, e 29,3% dos entrevistados na pesquisa da Retool utilizam essa abordagem. Mas entre as empresas com mais de 5.000 funcionários, um terço agora utiliza o RAG para acessar dados sensíveis ao tempo (como preços do mercado de ações) e informações internas de negócios, como histórico de clientes e transação. É aqui que o MongoDB Atlas Vector Search se destaca. Os clientes podem utilizar com facilidade os dados armazenados no MongoDB para aumentar e evoluir drasticamente o desempenho de aplicativos de IA generativa, durante as fases de treinamento e avaliação. No período de um ano, a utilização de bancos de dados vetoriais entre os entrevistados da Retool aumentou drasticamente, de 20% em 2023 para surpreendentes 63,6% em 2024. Os entrevistados informaram que seus principais critérios de avaliação para escolher um banco de dados vetorial foram: benchmarks de desempenho (40%), feedback da comunidade (39,3%) e experimentos de prova de conceito (38%). O relatório destaca a dificuldade no uso da pilha tecnológica de IA como um dos pontos problemáticos. Mais de 50% relataram estar pouco, parcialmente, ou nada satisfeitos com suas pilhas de IA. Os entrevistados também relataram dificuldade em obter a adesão interna, agravada pelo esforço que uma aquisição demanda quando uma nova solução precisa ser integrada. Uma maneira de reduzir grande do problema é por meio de um conjunto integrado de soluções que otimize a pilha de tecnologia e elimine a necessidade de integrar vários fornecedores desconhecidos. A pesquisa vetorial é um recurso nativo do Atlas, plataforma de dados para desenvolvedores do MongoDB e, portanto, não há necessidade de usar uma solução standalone. Se você já usa o MongoDB Atlas , criar experiências baseadas em IA não requer muito mais do que a adição de dados vetoriais a collections existentes no Atlas. Temos uma série de recursos úteis para desenvolvedores interessados em usar o Atlas Vector Search para criar aplicativos de IA generativa: Saiba como criar um agente assistente de IA que usa o MongoDB como provedor de memória, o Fireworks AI para chamadas de funções e o LangChain para integrar e gerenciar componentes conversacionais. Obtenha uma introdução ao LangChain e ao MongoDB Vector Search e aprenda a criar seu próprio chatbot, capaz de ler documentos extensos e fornecer respostas esclarecedoras para queries complexas. Acompanhe o mergulho de Sachin Smotra, da Dataworkz, nas complexidades do dimensionamento de aplicativos RAG (geração aumentada de recuperação). Leia nosso tutorial que mostra como combinar o processamento avançado de linguagem natural do Google Gemini com o MongoDB, facilitado pelas extensões de IA da Vertex, para aprimorar a acessibilidade e a usabilidade do seu banco de dados. Acesse nosso hub de recursos para conferir artigos, relatórios de analistas, estudos de caso, white papers e muito mais. Quer saber mais sobre a adesão e sobre as atuais tendências em IA? Leia o relatório completo "State of AI" da Retool de 2024 .

June 21, 2024

Atlas Vector Search ancora una volta votato il database vettoriale più amato

Il rapporto 2024 Retool State of AI è appena stato pubblicato e, per il secondo anno consecutivo, MongoDB Atlas Vector Search è stato nominato il database vettoriale più amato. Atlas Vector Search ha ricevuto il punteggio NPS (Net Promoter Score) più alto, una misura della probabilità che un utente consigli una soluzione ai propri colleghi. Il rapporto Retool State of AI è un sondaggio annuale globale tra sviluppatori, leader tecnologici e responsabili IT, che fornisce insight sullo stato attuale e futuro dell'IA, compresi i database vettoriali, la retrieval-augmented generation (RAG) , l'adozione dell'IA e le sfide dell'innovazione con l'IA. MongoDB Atlas Vector Search ha ottenuto il punteggio NPS più alto nel rapporto inaugurale di Retool del 2023 ed è stato il secondo database vettoriale più utilizzato a soli cinque mesi dalla sua uscita. Quest'anno, Atlas Vector Search si è aggiudicato un pareggio virtuale per il database vettoriale più popolare, con il 21,1% dei voti, e segue di poco pgvector (PostgreSQL), che ha ricevuto il 21,3%. L'indagine evidenzia anche la crescente adozione di RAG come approccio preferito per generare risposte più accurate con un contesto aggiornato e pertinente su cui i modelli linguistici di grandi dimensioni ( LLM ) non sono addestrati. Sebbene gli LLM siano addestrati su enormi quantità di dati, non tutti i dati sono aggiornati, né riflettono dati proprietari. E nelle aree in cui esistono punti ciechi, sappiamo che gli LLM producono con sicurezza "allucinazioni" imprecise. La messa a punto è un modo per personalizzare i dati su cui vengono formati gli LLM e il 29,3% degli intervistati del sondaggio Retool si basa su questo approccio. Ma tra le aziende con più di 5.000 dipendenti, un terzo ora si avvale di RAG per accedere a dati sensibili al fattore tempo (come i prezzi del mercato azionario) e a business intelligence interna, come la cronologia dei clienti e delle transazioni. È qui che MongoDB Atlas Vector Search brilla davvero. I clienti possono facilmente utilizzare i propri dati archiviati in MongoDB per aumentare e migliorare drasticamente le prestazioni delle applicazioni di IA generativa, sia durante la fase di addestramento che di valutazione. Nel corso di un anno, l'utilizzo del database vettoriale tra gli intervistati del sondaggio Retool è aumentato notevolmente, passando dal 20% nel 2023 a uno strabiliante 63,6% nel 2024. Gli intervistati hanno riferito che i loro criteri di valutazione principali per la scelta di un database vettoriale sono stati i benchmark delle prestazioni (40%), il feedback della comunità (39,3%) e gli esperimenti proof-of-concept (38%). Uno dei punti critici che il rapporto evidenzia chiaramente è la difficoltà con lo stack tecnologico dell’intelligenza artificiale . Oltre il 50% ha dichiarato di essere abbastanza soddisfatto, non molto soddisfatto o per niente soddisfatto del proprio stack IA. Gli intervistati hanno inoltre segnalato difficoltà nell'acquisire il consenso interno, spesso complicato dall'impegno di procurement, quando è necessario integrare una nuova soluzione. Un modo per ridurre gran parte di questo attrito è tramite una suite integrata di soluzioni che razionalizzi lo stack tecnologico e consenta di non dover integrare più fornitori sconosciuti. La ricerca vettoriale è una funzionalità nativa della piattaforma di dati per sviluppatori di MongoDB, Atlas, quindi non è necessario aggiungere una soluzione indipendente. Se stai già utilizzando MongoDB Atlas , la creazione di esperienze basate sull'IA implica poco più che aggiungere dati vettoriali alle collection di dati esistenti in Atlas. Se sei sviluppatore e desideri iniziare a utilizzare Atlas Vector Search per iniziare a creare app basate sull'IA generativa, abbiamo diverse risorse utili: Scopri come creare un agente assistente di ricerca IA che utilizza MongoDB come provider di memoria, Fireworks AI per le chiamate di funzioni e LangChain per l'integrazione e la gestione dei componenti conversazionali. Ottieni un'introduzione a LangChain e MongoDB Vector Search e impara a creare il tuo chatbot in grado di leggere lunghi documenti e fornire risposte approfondite a domande complesse. Guarda Sachin Smotra di Dataworkz mentre approfondisce le complessità della scalabilità delle applicazioni RAG (retrieval-augmented generation). Leggi il nostro tutorial che ti mostra come combinare l'elaborazione avanzata del linguaggio naturale di Google Gemini con MongoDB, agevolata dalle estensioni Vertex AI per migliorare l'accessibilità e l'usabilità del tuo database. Sfoglia il nostro hub di risorse dove troverai articoli, rapporti di analisti, case study, white paper e altro ancora. Vuoi saperne di più sulle recenti tendenze e sull'adozione dell'IA? Leggi il rapporto completo Retool State of AI 2024 .

June 21, 2024

Atlas Vector Search de nouveau élue base de données vectorielles la plus appréciée

Le rapport Retool State of AI 2024 vient d’être publié et, pour la deuxième année consécutive, MongoDB Atlas Vector Search est arrivée en tête des bases de données vectorielles les plus appréciées. Atlas Vector Search a obtenu le score NPS (Net Promoter Score) le plus élevé, qui mesure la probabilité qu’un utilisateur recommande une solution à ses pairs. Le rapport Retool State of AI est une enquête annuelle mondiale menée auprès de développeurs, de leaders technologiques et de décideurs informatiques qui fournit des informations sur l’état actuel et futur de l’IA, notamment les bases de données vectorielles, la génération augmentée par extraction (RAG) , l’adoption de l’IA et les défis liés à l’innovation en matière d’IA. MongoDB Atlas Vector Search a obtenu le NPS le plus élevé dans le premier rapport de Retool pour 2023, se classant au second rang des bases de données vectorielles les plus utilisées cinq mois seulement après sa publication. Cette année, Atlas Vector Search est arrivée pratiquement à égalité avec la base de données vectorielles la plus populaire en remportant 21,1 % des voix, soit juste derrière pgvector (PostgreSQL) qui a obtenu 21,3 %. L’enquête souligne également l’adoption croissante de la RAG en tant qu’approche privilégiée pour générer des réponses plus précises avec un contexte actualisé et pertinent sur lequel les grands modèles linguistiques ( LLM ) ne sont pas entraînés. Bien que les LLM soient entraînés sur d’énormes corpus de données, toutes ces données ne sont pas à jour et ne reflètent pas les données propriétaires. Et dans les domaines où il existe des angles morts, les LLM sont connus pour « halluciner », générant en toute confiance des informations erronées. Le réglage fin est un moyen de personnaliser les données sur lesquelles les LLM sont entraînés, et 29,3 % des personnes interrogées dans le cadre de l’enquête Retool utilisent cette approche. Cependant, parmi les entreprises de plus de 5 000 employés, un tiers exploite désormais la RAG pour accéder aux données « urgentes » (telles que les cours de la bourse) et à des informations commerciales internes comme l’historique des clients et des transactions. C’est là que MongoDB Atlas Vector Search sort du lot. Les clients peuvent facilement utiliser leurs données stockées dans MongoDB pour augmenter et améliorer considérablement les performances de leurs applications d’IA générative, à la fois pendant les phases d’entraînement et d’évaluation. En un an, l’utilisation des bases de données vectorielles parmi les répondants à l’enquête Retool a considérablement augmenté, passant de 20 % en 2023 à 63,6 % en 2024. Parmi les principaux critères d’évaluation d’une base de données vectorielles, les personnes interrogées ont cité les performances (40 %), les retours d’information de la communauté (39,3 %) et les expériences de démonstration de faisabilité (38 %). L’un des points faibles qui ressort clairement du rapport est la difficulté concernant la stack IA . Plus de 50 % des répondants se sont déclarés plutôt satisfaits, pas très satisfaits ou pas du tout satisfaits de leur pile IA. Ils ont également signalé des difficultés à obtenir l’adhésion interne, laquelle est souvent compliquée par les efforts d’approvisionnement liés à l’intégration d’une nouvelle solution. L’un des moyens de réduire une grande partie de ces frictions est de mettre en place une suite intégrée de solutions qui rationalise la pile technologique et élimine la nécessité d’intégrer de multiples fournisseurs inconnus. La recherche vectorielle est une fonctionnalité native d’Atlas, la plateforme de données pour développeurs de MongoDB, de sorte qu’il n’est pas nécessaire d’ajouter une solution autonome. Si vous utilisez déjà MongoDB Atlas , la création d’expériences basées sur l’IA n’implique guère plus que l’ajout de données vectorielles à vos collections de données existantes dans Atlas. Si vous êtes développeur et que vous souhaitez commencer à utiliser Atlas Vector Search pour créer des applications alimentées par l’IA générative, nous disposons de nombreuses ressources utiles : Découvrez comment créer un agent assistant de recherche IA qui utilise MongoDB comme fournisseur de mémoire, Fireworks AI pour les appels de fonctions et LangChain pour intégrer et gérer les composants conversationnels. Accédez à une présentation de LangChain et MongoDB Vector Search et apprenez à créer votre propre chatbot capable de lire de longs documents et de fournir des réponses pertinentes à des requêtes complexes. Sachin Smotra , de Dataworkz, se penche sur les complexités de la mise à l’échelle des applications RAG (génération augmentée par récupération). Lisez notre tutoriel qui montre comment combiner le traitement avancé du langage naturel de Google Gemini avec MongoDB, facilité par les extensions Vertex AI pour améliorer l’accessibilité et la simplicité d’utilisation de votre base de données. Consultez notre centre de ressources pour accéder à des articles, des rapports d’analystes, des cas clients, des livres blancs, etc. Vous souhaitez en savoir plus sur les récentes tendances et l’adoption de l’IA ? Lisez le rapport complet Retool State of AI 2024 .

June 21, 2024

Atlas Vector Search vuelve a ser elegida la vector database más apreciada

El informe 2024 Retool State of AI acaba de ser publicado, y por segundo año consecutivo, MongoDB Atlas Vector Search fue nombrada la vector database más querida. Atlas Vector Search recibió el puntaje de promotor neto más alto (NPS), una medida de la probabilidad de que un usuario recomiende una solución a sus pares. El reporte Retool State of AI es una encuesta anual global de desarrolladores, líderes tecnológicos y responsables de la toma de decisiones de TI que proporciona información sobre el estado actual y futuro de la IA, incluidas las vector databases, la generación aumentada de recuperación (RAG) , la adopción de la IA y los desafíos de innovar con IA. MongoDB Atlas Vector Search comandó el NPS más alto en el informe inaugural 2023 de Retool, y fue la segunda vector database más utilizada dentro de solo cinco meses de su lanzamiento. Este año, Atlas Vector Search llegó en un empate virtual para la vector database más popular, con 21.1 % de los votos, a solo un pelo detrás de pgvector (PostgreSQL), que recibió 21.3 %. La encuesta también apunta a la creciente adopción de RAG como el enfoque preferido para generar respuestas más precisas con un contexto actualizado y relevante en el que los modelos de lenguaje grande ( LLM ) no están capacitados. Aunque los LLM se capacitan en enormes conjuntos de datos, no todos esos datos están actualizados ni reflejan datos patentados. Y en aquellas áreas donde existen puntos ciegos, los LLM son conocidos por proporcionar con confianza “alucinaciones” inexactas. El ajuste fino es una forma de personalizar los datos con los que se capacitan los LLM, y el 29.3 % de los encuestados de Retool aprovechan este enfoque. Pero entre las empresas con más de 5000 empleados, un tercio ahora aprovecha RAG para acceder a datos sensibles al tiempo (como precios bursátiles) e inteligencia de negocios interna, como historiales de clientes y transacciones. Aquí es donde MongoDB Atlas Vector Search realmente brilla. Los clientes pueden emplear fácilmente sus datos almacenados en MongoDB para aumentar y mejorar significativamente el rendimiento de sus aplicaciones de IA generativa, tanto durante las fases de entrenamiento como de evaluación. En el transcurso de un año, la utilización de la vector database entre los encuestados de Retool aumentó significativamente, del 20 % en 2023 a un asombroso 63.6 % en 2024. Los encuestados informaron que sus principales criterios de evaluación para elegir una vector database fueron los benchmarks de desempeño (40 %), los comentarios de la comunidad (39.3 %) y los experimentos de prueba de concepto (38 %). Uno de los puntos débiles que el informe destaca claramente es la dificultad con la pila de IA . Más del 50 % indicaron que estaban algo satisfechos, poco satisfechos o nada satisfechos con su pila de IA. Los encuestados también informaron de dificultades para conseguir la aceptación interna, lo que a menudo se complica por los esfuerzos de adquisición cuando es necesario incorporar una nueva solución. Una forma de reducir gran parte de esta fricción es a través de un conjunto integrado de soluciones que agilice la pila tecnológica y elimine la necesidad de incorporar varios proveedores desconocidos. La búsqueda vectorial es una característica nativa de la plataforma de datos para desarrolladores de MongoDB, Atlas, por lo que no es necesario utilizar una solución independiente. Si ya está utilizando MongoDB Atlas , crear experiencias impulsadas por IA implica poco más que agregar datos vectoriales a su collection existente en Atlas. Si usted es desarrollador y quiere comenzar a usar Atlas Vector Search para comenzar a crear aplicaciones impulsadas por IA generativa, tenemos varios recursos útiles: Aprenda a crear un agente asistente de investigación de IA que use MongoDB como proveedor de memoria, Fireworks AI para llamadas de funciones y LangChain para integrar y administrar componentes conversacionales. Obtenga una introducción a LangChain y MongoDB Vector Search y aprenda a crear su propio chatbot que pueda leer documentos extensos y proporcionar respuestas perspicaces a consultas complejas. Vea a Sachin Smotra de Dataworkz mientras profundiza en las complejidades del escalamiento de aplicaciones RAG (generación aumentada de recuperación). Lea nuestro tutorial que le muestra cómo combinar el procesamiento avanzado del lenguaje natural de Google Gemini con MongoDB, facilitado por Vertex AI Extensions para mejorar la accesibilidad y la usabilidad de su base de datos. Explore nuestro Centro de recursos para obtener artículos, informes de analistas, estudios de casos, white papers y más. ¿Quiere saber más sobre las tendencias recientes y la adopción de la IA? Lea el reporte completo sobre el estado de la IA de Retool 2024 .

June 21, 2024

Atlas Vector Search erneut zur beliebtesten Vektordatenbank gewählt

Der Bericht „ Stand der KI 2024 “ von Retool wurde gerade veröffentlicht und MongoDB Atlas Vector Search wurde das zweite Jahr in Folge zur beliebtesten Vektordatenbank gekürt. Atlas Vector Search erhielt den höchsten Net Promoter Score (NPS), ein Maß dafür, wie wahrscheinlich es ist, dass ein Benutzer eine Lösung seinen Kollegen empfiehlt. Der „Stand der KI“-Bericht von Retool ist eine weltweite jährliche Umfrage unter Entwicklern, Technologieführern und IT-Entscheidungsträgern, die Einblicke in den aktuellen und zukünftigen Stand der KI bietet, einschließlich Vektordatenbanken, Retrieval-Augmented Generation (RAG) , KI-Einführung und Herausforderungen bei Innovationen mit KI. MongoDB Atlas Vector Search hatte den höchsten NPS im ersten Retool-Bericht 2023 und war bereits fünf Monate nach seiner Veröffentlichung die am zweithäufigsten genutzte Vektordatenbank. In diesem Jahr war Atlas Vector Search mit 21,1 % der Stimmen die beliebteste Vektordatenbank und lag damit nur knapp hinter pgvector (PostgreSQL), das 21,3 % der Stimmen erhielt. Die Umfrage deutet auch darauf hin, dass RAG zunehmend als bevorzugter Ansatz zur Generierung akkuraterer Antworten mit aktuellem und relevantem Kontext verwendet wird, auf den KI-Sprachmodelle (Large Language Models, LLMs ) nicht trainiert sind. Obwohl LLMs auf riesigen Datenbeständen trainiert werden, sind nicht alle diese Daten auf dem neuesten Stand und spiegeln auch keine proprietären Daten wider. Und in den Bereichen, in denen blinde Flecken existieren, sind LLMs dafür berüchtigt, dass sie mit Sicherheit ungenaue „Halluzinationen“ liefern. Die Feinabstimmung ist eine Möglichkeit, die Daten, auf die LLMs trainiert werden, anzupassen, und 29,3 % der Teilnehmer an der Retool-Umfrage nutzen diesen Ansatz. Von den Unternehmen mit mehr als 5.000 Mitarbeitern nutzt ein Drittel RAG für den Zugriff auf zeitkritische Daten (z. B. Börsenkurse) und interne Geschäftsinformationen wie Kunden- und Transaktionshistorien. Und genau hier zeigt die MongoDB Atlas Vector Search ihre wahre Stärke. Kunden können ihre in MongoDB gespeicherten Daten problemlos nutzen, um die Leistung ihrer generativen KI-Anwendungen sowohl in der Trainings- als auch in der Evaluierungsphase zu steigern und erheblich zu verbessern. Innerhalb eines Jahres stieg die Nutzung von Vektordatenbanken unter den Teilnehmern der Retool-Umfrage dramatisch an, von 20 % im Jahr 2023 auf unglaubliche 63,6 % im Jahr 2024. Die Befragten gaben an, dass ihre wichtigsten Bewertungskriterien für die Auswahl einer Vektordatenbank Leistungsbenchmarks (40 %), Feedback aus der Community (39,3 %) und Proof-of-Concept-Experimente (38 %) sind. Einer der Schwachpunkte, den der Bericht deutlich hervorhebt, sind Schwierigkeiten mit dem KI-Tech-Stack . Mehr als 50 % gaben an, dass sie mit ihrem AI Stack entweder einigermaßen zufrieden, nicht sehr zufrieden oder überhaupt nicht zufrieden seien. Die Befragten berichteten auch von Schwierigkeiten, die interne Zustimmung zu erhalten, was oft durch die Beschaffungsbemühungen erschwert wird, wenn eine neue Lösung eingeführt werden muss. Eine Möglichkeit, diese Reibungsverluste zu reduzieren, ist eine integrierte Lösungssuite, die den technischen Stack rationalisiert und die Notwendigkeit beseitigt, mehrere unbekannte Anbieter zu integrieren. Die Vektorsuche ist eine native Funktion der Entwicklerdatenplattform Atlas von MongoDB. Es ist daher nicht erforderlich, eine eigenständige Lösung hinzuzufügen. Wenn Sie bereits MongoDB Atlas verwenden, müssen Sie für die Erstellung von KI-gestützten Erlebnissen nur noch Vektordaten zu Ihren bestehenden Datenerfassungen in Atlas hinzufügen. Wenn Sie ein Entwickler sind und mit Atlas Vector Search beginnen möchten, generative KI-gestützte Apps zu entwickeln, haben wir einige hilfreiche Ressourcen: Erfahren Sie , wie Sie einen KI-Forschungsassistenten erstellen, der MongoDB als Speicherprovider, Fireworks AI für Funktionsaufrufe und LangChain für die Integration und Verwaltung von Konversationskomponenten verwendet. Erhalten Sie eine Einführung in LangChain und MongoDB Vector Search und lernen Sie, Ihren eigenen Chatbot zu erstellen, der lange Dokumente lesen und aufschlussreiche Antworten auf komplexe Abfragen geben kann. Sehen Sie , wie Sachin Smotra von Dataworkz die Besonderheiten der Skalierung von RAG-Anwendungen (Retrieval-Augmented Generation) erläutert. Lesen Sie unser Tutorial , in dem wir Ihnen zeigen, wie Sie die fortschrittliche natürliche Sprachverarbeitung von Google Gemini mit MongoDB kombinieren können, unterstützt durch die Vertex AI Extensions, um die Zugänglichkeit und Benutzerfreundlichkeit Ihrer Datenbank zu verbessern. Durchsuchen Sie unseren Ressourcen-Hub nach Artikeln, Analystenberichten, Fallstudien, Whitepapers und mehr. Möchten Sie mehr über die neuesten KI-Trends und deren Anwendung erfahren? Lesen Sie den vollständigen Bericht zum Stand der KI 2024 von Retool .

June 21, 2024

MongoDB를 NIST AI 안전 연구소 컨소시엄의 창립 멤버로 발표하다

미국 상무부 산하 국립표준기술연구소(NIST)는 안전하고 신뢰할 수 있는 AI의 개발과 배포를 지원하기 위해 미국 인공지능 안전 연구소 컨소시엄(AISIC)을 설립하고 있습니다. 컨소시엄에는 기술 부문의 MongoDB 외에도 Amazon.com, AMD, Anthropic, Apple, Cohere, GitHub, Google, Hugging Face, Inflection AI, Intel, Meta, Microsoft, Nvidia, OpenAI 및 Salesforce 등이 포함되어 있습니다. 컨소시엄에는 총 200명 이상의 AI 제작자 및 사용자, 학계, 정부 및 업계 연구자, 시민 단체가 참여하고 있습니다. 회원들은 안전하고 신뢰할 수 있는 AI 시스템을 구현하고 미래의 표준과 정책을 뒷받침하는 데 필요한 R&D에 함께 집중하고 있습니다. 현재 컨소시엄 회원의 전체 목록은 NIST 웹사이트에서 확인할 수 있습니다. 컨소시엄은 AI 측정 및 정책에 대한 과학적이고 경험적으로 뒷받침되는 가이드라인과 표준을 개발하기 위해 협력하여 전 세계 AI 안전의 토대를 마련할 것입니다. 이는 미국이 적절한 위험 관리 전략으로 프론티어 모델부터 새로운 애플리케이션 및 접근 방식에 이르기까지 차세대 AI 모델 또는 시스템의 기능을 다룰 수 있도록 준비하는 데 도움이 될 것입니다. 지나 레이몬도(Gina Raimondo) 미국 상무부 장관은 "미국 정부는 위험을 완화하고 인공지능의 막대한 잠재력을 활용하는 데 필요한 표준을 설정하고 도구를 개발하는 데 중요한 역할을 하고 있습니다. 바이든 대통령은 안전 표준 설정과 혁신 생태계 보호라는 두 가지 핵심 목표를 달성하기 위해 모든 수단을 동원하라고 지시했습니다. 이것이 바로 미국 AI 안전 연구소 컨소시엄이 우리를 돕기 위해 설립된 이유입니다. 바이든 대통령의 획기적인 행정 명령을 통해 우리는 미국이 선두에 서도록 할 것이며, 업계, 시민 사회, 학계의 리더 그룹과 협력하여 이러한 도전에 맞서 미국의 경쟁력을 유지하고 책임감 있게 AI를 개발하는 데 필요한 측정과 표준을 개발할 수 있습니다"라고 밝혔습니다. 컨소시엄에 대한 MongoDB의 기여 MongoDB는 스타트업, 기업 및 정부와 협력하여 얻은 경험을 활용하여 다음과 같은 다양한 분야에 걸쳐 전문 지식과 리소스를 제공할 것입니다. 대규모 AI 앱을 지원하는 MongoDB Atlas Vector Search 와 같은 벡터 검색 및 검색 기술과 함께 전 세계적으로 분산된 멀티 클라우드 데이터베이스. 가장 널리 사용되는 모든 프로그래밍 언어에서 AI 모델 및 프레임워크의 생태계와 통합되는 애플리케이션을 구축하여 얻은 개발자 경험 엔지니어링. 데이터를 보호하고 개인정보를 보호하는 획기적인 Queryable Encryption 과 같은 데이터 거버넌스 및 사이버 보안 기술. MongoDB의 최고 정보 보안 책임자인 레나 스마트(Lena Smart)는 "우리는 소프트웨어와 데이터에 기반한 기술이 세상을 더 나은 곳으로 만든다고 믿으며, 최신 애플리케이션을 구축하는 고객들이 매일 이를 실현하는 것을 보고 있습니다. 생성형 AI와 같은 신기술은 사회에 막대한 혜택을 가져다줄 수 있지만, 우리는 AI 시스템이 인구 전체에 해를 끼치지 않고 안전하게 작동하도록 보장하는 표준을 사용하여 구축 및 배포해야 합니다. MongoDB는 창립 멤버로서 미국 인공지능 안전 연구소 컨소시엄을 지원하여 과학적 엄격성, 업계 전문성, 인간 중심의 접근 방식을 사용하여 조직이 혁신을 저해하지 않고 신뢰할 수 있는 AI 시스템을 안전하게 테스트하고 배포할 수 있도록 안내하는 것을 목표로 합니다"라고 밝혔습니다. AISIC에 참여하는 것 외에도, 미국 정부 부처는 개발자의 생산성과 광범위한 워크로드 지원을 위해 설계된 데이터베이스로 임무 완수 시간을 단축할 수 있는 정부용 MongoDB Atlas 프로그램을 이용할 수 있습니다. MongoDB Atlas는 FedRAMP 중간 인증을 받은 전용 환경에서 실행되는 정부 수준의 보안을 제공합니다. 기술 표준 설정을 위한 NIST의 역할 미국 상무부 산하 기관인 NIST는 경제 안보를 강화하고 미국 시민의 삶의 질을 개선하기 위한 기술, 지표 및 표준을 개발하는 데 중추적인 역할을 담당하고 있습니다. NIST는 엄격한 연구 개발 활동을 통해 산업과 과학에 중요한 지침과 지원을 제공하여 글로벌 시장의 혁신과 경쟁력에 필수적인 측정 및 표준의 신뢰성과 정확성을 보장합니다. NIST는 이 컨소시엄에 따라 상용 제품을 평가하지 않으며 사용된 제품이나 서비스를 보증하지 않습니다. 이 컨소시엄에 대한 자세한 정보는 다음에서 확인할 수 있습니다. https://www.federalregister.gov/documents/2023/11/02/2023-24216/artificial-intelligence-safety-institute-consortium

February 8, 2024

MongoDB 成为 NIST AI 安全研究联盟（AI Safety Institute Consortium）创始成员

美国商务部国家标准与技术研究院（NIST）正在建立美国人工智能安全研究联盟（AISIC），以支持安全可信的 AI 开发和部署。除了MongoDB，加入该联盟的科技公司还有 Amazon.com、AMD、Anthropic、Apple、Cohere、Github、Google、Hugging Face、Inflection AI、Intel、Meta、Microsoft、Nvidia、OpenAI 和 Salesforce。该联盟总共汇集了 200 多家 AI 创造者和使用者、学术、政府和行业研究者以及民间社会组织。成员们共同致力于必要的研发，以创建安全、值得信赖的 AI 系统，并为制定未来的标准和政策夯实基础。您可以在 NIST 网站上查看当前联盟成员的完整名单。该联盟将合作制定基于科学和有经验支持的 AI 衡量和政策指南和标准，为全球 AI 安全奠定基础。这将有助于美国做好准备，通过适当的风险管理策略来管控下一代 AI 模型或系统（从前沿模型到新的应用程序和方法）的能力。美国商务部部长 Gina Raimondo 表示：“美国政府在制定标准和开发工具方面可以发挥重要作用，我们需要这些标准和工具来降低人工智能的风险并利用人工智能的巨大潜力。拜登总统指示我们竭尽全力实现两个关键目标：制定安全标准和保护我们的创新生态系统。这正是美国 AI 安全研究联盟成立的目的。通过拜登总统具有里程碑意义的行政命令，我们将确保美国处于领先地位，并且通过与来自工业界、民间社会和学术界的领导者合作，我们可以共同应对这些挑战，制定我们需要的衡量标准，以保持美国的竞争优势，并负责任地发展 AI 。” MongoDB 对联盟的贡献利用与初创公司、企业和政府合作构建和部署 AI 应用程序所获得的经验，MongoDB 将在多个领域贡献其专业知识和资源，包括：多云、全球分布式数据库以及向量搜索和检索技术，例如： MongoDB Atlas Vector Search （可大规模支持 AI 应用程序）。开发者通过构建与所有最流行的编程语言的 AI 模型和框架生态系统集成的应用程序而获得工程经验。数据治理和网络安全技术，例如其开创性的 Queryable Encryption ，可保护数据和隐私。 MongoDB 首席信息安全官 Lena Smart 表示：“我们相信，由软件和数据驱动的技术会让世界变得更加美好，我们看到我们的客户每天都在通过构建现代应用程序来实现这一目标。” “像生成式 AI 这样的新技术可以给社会带来巨大的益处，但我们必须确保 AI 系统的构建和部署采用的标准有助于确保其安全运行，且不会对人类造成伤害。作为美国 AI 安全研究联盟的创始成员，MongoDB 的目标是利用科学严谨性、其行业专业知识和以人为本的方法来指导组织机构安全测试和部署值得信赖的 AI 系统，且不会扼杀创新。” 除了参与 AISIC 之外， MongoDB Atlas for Government 计划还为美国政府部门专门设计了一款数据库，以提高开发者生产效率和提供更多工作负载支持，从而缩短使用者完成任务的时间。 MongoDB Atlas 提供在 FedRAMP 中等授权的专用环境中运行的政府级安全性。 NIST 在制定技术标准方面的作用作为美国商务部的一部分，NIST 在开发旨在增强经济安全和改善美国公民生活质量的技术、指标和标准方面发挥着关键作用。通过严格的研发活动，NIST 为工业和科学提供关键的指导和支持，确保测量和标准的可靠性和准确性，这对全球市场的创新和竞争力至关重要。请注意，NIST 不对联盟的商业产品进行评估，也不为所使用的任何产品或服务背书。有关该联盟的更多信息，请访问： https://www.federalregister.gov/documents/2023/11/02/2023-24216/artificial-intelligence-safety-institute-consortium

February 8, 2024

MongoDB é membro fundador do AI Safety Institute Consortium do NIST

O National Institute of Standards and Technology (NIST) do Departamento de Comércio dos Estados Unidos está estabelecendo o Artificial Intelligence Safety Institute Consortium (AISIC) para apoiar o desenvolvimento e a implantação de IA segura e confiável. Juntamente com o MongoDB do setor de tecnologia, o Consórcio inclui a Amazon.com, AMD, Anthropic, Apple, Cohere, GitHub, Google, Hugging Face, Inflection AI, Intel, Meta, Microsoft, Nvidia, OpenAI e Salesforce. No total o Consórcio reúne mais de 200 criadores e usuários de IA, acadêmicos, pesquisadores do governo e do setor e organizações da sociedade civil. Juntos, os membros estão focados na P&D necessária para permitir sistemas de IA seguros e confiáveis e sustentar padrões e políticas no futuro. Você pode ver a lista completa dos membros atuais do Consórcio no site do NIST . O Consórcio ajudará no desenvolvimento de diretrizes e padrões baseados em ciência e apoiados empiricamente para medição e política de IA, estabelecendo a base para a segurança da Inteligência Artificial em todo o mundo. Isso ajudará a preparar os EUA para abordar os recursos da próxima geração dos modelos ou sistemas de IA, desde modelos de eficiência até novas aplicações e abordagens, com estratégias apropriadas de gestão de riscos. A secretária do Departamento de Comércio dos EUA, Gina Raimondo, comentou: "O governo dos Estados Unidos tem um papel importante para desempenhar na definição dos padrões e no desenvolvimento das ferramentas necessárias para diminuir os riscos e aproveitar o imenso potencial da inteligência artificial. O presidente Biden nos orientou a utilizar todos os recursos disponíveis para alcançar dois objetivos principais: definir padrões de segurança e proteger nosso ecossistema de inovação. É exatamente isso que o AI Safety Institute Consortium dos EUA está estruturado para nos ajudar a fazer. Por meio de um Decreto do presidente Biden, garantiremos que os EUA estejam na frente dessa empreitada e, trabalhando com esse grupo de líderes da indústria, da sociedade civil e da academia, juntos poderemos enfrentar esses desafios para desenvolver as medidas e os padrões dos quais precisamos para manter a vantagem competitiva dos EUA e desenvolver a IA de forma responsável." Contribuições do MongoDB para o Consórcio Aproveitando a experiência adquirida trabalhando com startups, empresas e governos construindo e implantando aplicativos baseados em IA , o MongoDB contribuirá com sua experiência e recursos em vários campos, incluindo: Bancos de dados multi-cloud e distribuídos globalmente, juntamente com tecnologia de pesquisa e recuperação vetorial, como o Atlas Vector Search do MongoDB , que alimenta aplicativos de IA em escala. Engenharia de experiência do desenvolvedor adquirida com a criação de aplicativos que se integram com o ecossistema de modelos e estruturas de IA em todas as linguagens de programação mais populares. Governança de dados e as tecnologias de segurança cibernética, como a inovadora Queryable Encryption , protegem os dados e preservam a privacidade. "Acreditamos que a tecnologia orientada por software e dados torna o mundo um lugar melhor e vemos nossos clientes construindo aplicativos modernos alcançando isso todos os dias" , comentou Lena Smart, Diretora de Segurança da Informação do MongoDB . "Novas tecnologias como IA generativa podem ter um benefício imenso para a sociedade, mas devemos garantir que os sistemas de IA sejam construídos e implementados usando padrões que ajudem a garantir a operação de forma segura e sem prejudicar a população. Ao apoiar o Artificial Intelligence Safety Institute Consortium dos EUA como um membro fundador, o objetivo do MongoDB é usar o rigor científico, nossa experiência no setor e uma abordagem centrada no ser humano para orientar as organizações para testar e implantar com segurança sistemas de IA confiáveis sem sufocar a inovação." Além do envolvimento com o AISIC, o MongoDB Atlas para o programa do governo permite que os departamentos do governo dos EUA acelerem seu período de preparação com um banco de dados projetado para a produtividade do desenvolvedor e suporte amplo para a carga de trabalho. O MongoDB Atlas fornece segurança de nível governamental em um ambiente dedicado e FedRAMP Moderate Authorized. O papel do NIST na definição de padrões tecnológicos Como parte do Departamento de Comércio dos EUA, o NIST desempenha um papel fundamental no desenvolvimento de tecnologia, métricas e padrões voltados para aprimorar a segurança econômica e melhorar a qualidade de vida dos cidadãos americanos. Através das suas atividades rigorosas de pesquisa e desenvolvimento, o NIST fornece orientação essencial e suporte para as indústrias e a ciência, garantindo a confiabilidade e precisão das medições e padrões essenciais para inovação e competitividade no mercado global. O NIST não avalia produtos comerciais sob este Consórcio e não endossa nenhum produto ou serviço usado. Mais informações sobre esse Consórcio podem ser encontradas em: https://www.federalregister.gov/documents/2023/11/02/2023-24216/artificial-intelligence-safety-institute-consortium

February 8, 2024

Announcing MongoDB as a Founding Member of the NIST AI Safety Institute Consortium

This post is also available in: Deutsch , Français , Español , Português , Italiano , 한국어 , 简体中文 . The U.S. Department of Commerce’s National Institute of Standards and Technology (NIST) is establishing the U.S. Artificial Intelligence Safety Institute Consortium (AISIC) to support the development and deployment of safe and trustworthy AI. Alongside MongoDB from the technology sector, the Consortium includes Amazon.com, AMD, Anthropic, Apple, Cohere, GitHub, Google, Hugging Face, Inflection AI, Intel, Meta, Microsoft, Nvidia, OpenAI, and Salesforce. In total, the Consortium brings together over 200 AI creators and users, academics, government and industry researchers, and civil society organizations. Together the members are focused on the R&D necessary to enable safe, trustworthy AI systems and underpin future standards and policies. You can see the complete list of current Consortium members on the NIST website . The Consortium will collaborate to develop science-based and empirically backed guidelines and standards for AI measurement and policy, laying the foundation for AI safety across the world. This will help prepare the U.S. to address the capabilities of the next generation of AI models or systems, from frontier models to new applications and approaches, with appropriate risk management strategies. Secretary of U.S. Department of Commerce Gina Raimondo said, “The U.S. government has a significant role to play in setting the standards and developing the tools we need to mitigate the risks and harness the immense potential of artificial intelligence. President Biden directed us to pull every lever to accomplish two key goals: set safety standards and protect our innovation ecosystem. That’s precisely what the U.S. AI Safety Institute Consortium is set up to help us do. Through President Biden’s landmark Executive Order, we will ensure America is at the front of the pack—and by working with this group of leaders from industry, civil society, and academia, together we can confront these challenges to develop the measurements and standards we need to maintain America’s competitive edge and develop AI responsibly.” MongoDB’s contributions to the Consortium Capitalizing on the experience gained working with startups, enterprises, and governments building and deploying AI-powered applications , MongoDB will contribute its expertise and resources across multiple fields including: Multi-cloud, globally distributed databases along with vector search and retrieval technology such as MongoDB Atlas Vector Search that power AI apps at scale. Developer experience engineering gained from building applications that integrate with the ecosystem of AI models and frameworks across all of the most popular programming languages. Data governance and cybersecurity technologies such as its groundbreaking Queryable Encryption protect data and preserve privacy. “We believe that technology driven by software and data makes the world a better place, and we see our customers building modern applications achieving that every day,” said Lena Smart, Chief Information Security Officer at MongoDB . “New technology like generative AI can have an immense benefit to society, but we must ensure AI systems are built and deployed using standards that help ensure they operate safely and without harm across populations. By supporting the U.S. Artificial Intelligence Safety Institute Consortium as a founding member, MongoDB’s goal is to use scientific rigor, our industry expertise, and a human-centered approach to guide organizations on safely testing and deploying trustworthy AI systems without stifling innovation.” In addition to involvement in the AISIC, the MongoDB Atlas for Government program enables U.S. government departments to accelerate their time-to-mission with a database designed for developer productivity and broad workload support. MongoDB Atlas provides government-grade security running in a FedRAMP Moderate Authorized, dedicated environment. NIST’s role in setting technology standards As a part of the U.S. Department of Commerce, NIST plays a pivotal role in developing technology, metrics, and standards aimed at enhancing economic security and improving the quality of life for U.S. citizens. Through its rigorous research and development activities, NIST provides critical guidance and support for industries and science, ensuring the reliability and accuracy of measurements and standards essential for innovation and competitiveness in the global marketplace. Note that NIST does not evaluate commercial products under this Consortium and does not endorse any product or service used. Additional information on this Consortium can be found at: https://www.federalregister.gov/documents/2023/11/02/2023-24216/artificial-intelligence-safety-institute-consortium

February 8, 2024