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.