MongoDB a récemment annoncé la disponibilité générale de MongoDB Atlas Vector Search et de MongoDB Atlas Search Nodes, deux technologies qui répondent à des types de données et à des besoins de recherche différents. Vector Search est adapté aux applications traitant des données complexes telles que les images, tandis qu’Atlas Search est conçu pour la recherche en texte intégral. Ces outils proposent des fonctions permettant d’intégrer l'intelligence artificielle générative et les capacités de recherche sémantique dans les applications.

MongoDB Atlas Vector Search est un outil qui simplifie l'intégration de l'IA générative et des capacités de recherche sémantique dans les applications en temps réel. Elle se distingue en fonctionnant comme une base de données vectorielle intégrée au sein d'une base de données distribuée. Une intégration permet aux développeurs d'utiliser une seule API pour développer des applications d'IA générative. Elle élimine la complexité de la duplication et de la synchronisation inutile des données, un défi courant avec les bases de données vectorielles additionnelles. Les applications construites avec MongoDB Atlas Vector Search peuvent fournir des réponses plus précises et pertinentes dans des scénarios nécessitant une recherche sémantique, une comparaison d'images et des recommandations personnalisées.  

Une infrastructure dédiée aux charges de travail d'IA générative

Quant aux nœuds MongoDB Atlas Search Nodes, ils fournissent une infrastructure dédiée à la gestion des charges de travail d'IA générative et de recherche. Ces nœuds permettent d'augmenter les charges de travail indépendamment des nœuds opérationnels principaux de la base de données, permettant ainsi une isolation des charges de travail, une optimisation des coûts et une performance améliorée.

Cette fonctionnalité est particulièrement utile pour gérer des cas d'utilisation à haut débit, tels que des chatbots alimentés par l'IA et des recherches basées sur la pertinence dans des régions géographiques spécifiques, sans impacter la base de données opérationnelle globale. Elle réduit de manière significative les temps de requête, améliorant ainsi l'expérience utilisateur dans les applications de recherche basées sur l'IA et la pertinence.

L'introduction de ces technologies renforce MongoDB Atlas comme une plateforme unifiée pour gérer une gamme de données et de fonctions. Son modèle documents prend en charge différents types de données, y compris les données vectorielles, textuelles, géospatiales et temporelles. Cette approche intégrée simplifie la tâche du développeur, éliminant le besoin de gérer des bases de données séparées ou de se soucier de la synchronisation des données.