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.