هوش مصنوعی هنوز هم یک مشکل توهم دارد: چگونه MongoDB قصد دارد آن را با استفاده مجدد از مدل های پیشرفته و مدل های جاسازی شده حل کند

برای به دست آوردن بهترین نتیجه ممکن از پرس و جو هوش مصنوعی ، سازمان ها به بهترین داده های ممکن نیاز دارند.

پاسخی که بسیاری از سازمان ها برای غلبه بر این چالش بر نسل بازیابی (RAG) بازیابی شده اند. با RAG ، نتایج در داده های یک پایگاه داده پایه گذاری شده است. همانطور که معلوم است ، همه RAG یکسان نیستند ، و در واقع بهینه سازی یک بانک اطلاعاتی برای بهترین نتایج ممکن می تواند چالش برانگیز باشد.

فروشنده بانک اطلاعاتی MongoDB با دنیای هوش مصنوعی یا Rag غریبه نیست. پایگاه داده نام شرکت این شرکت در حال حاضر برای RAG مورد استفاده قرار می گیرد ، و MongoDB همچنین ابتکارات توسعه برنامه های هوش مصنوعی را راه اندازی کرده است. در حالی که این شرکت و کاربران آن – چنین غول پزشکی Novo Nordisk – با Gen AI موفقیت داشته اند ، هنوز کارهای بیشتری باید انجام شود.

به ویژه ، توهم و صحت همچنان موضوعی است که برخی از سازمان ها را از تولید ژنرال هوش مصنوعی به تولید باز می گرداند. برای این منظور ، MongoDB امروز از کسب AI Voyage Priveny Voyage AI خبر داد ، که مدل های پیشرفته تعبیه و بازیابی را توسعه می دهد. Voyage 20 میلیون دلار بودجه در اکتبر 2024 در دور پشتیبانی شده توسط غول داده Cloud Data Snowflake جمع آوری کرد. این کسب و کار تخصص Voyage AI را در تعبیه تولید و بازخوانی-مؤلفه های مهم برای جستجوی و بازیابی با قدرت AI-مستقیماً در بستر پایگاه داده MongoDB به ارمغان می آورد.

وی گفت: “طی یک سال گذشته ، و به ویژه که سازمانها سعی کرده اند در مورد چگونگی ساخت برنامه های کاربردی AI فکر کنند ، به طور فزاینده ای مشخص شد که کیفیت و اعتماد برنامه های کاربردی آنها یا فقدان آن به یکی از موانع تبدیل شده است استفاده از هوش مصنوعی در موارد استفاده مهم ، “CPO CPO Sahir Azam به VentureBeat گفت.

چالش های توهم چیست؟ آیا Rag آنها را حل نمی کند؟

ایده اصلی پشت RAG این است که ، به جای اینکه به سادگی به یک پایگاه دانش از داده های آموزش دیده اعتماد کنید ، موتور Gen AI می تواند داده های پایه ای را از یک پایگاه داده دریافت کند.

ایجاد پارچه بسیار دقیق کاملاً پیچیده است ، و هنوز هم خطر بالقوه ای برای توهم وجود دارد – چالشی که MongoDB و کاربران آن با آن روبرو هستند. در حالی که آزام از ارائه نمونه یا حادثه خاصی که Gen Ai Rag در یک کاربر ناکام بود ، خودداری کرد ، وی خاطرنشان کرد که دقت همیشه یک نگرانی است.

بهبود دقت و کاهش توهم شامل چندین مرحله است. اولین مورد بهبود کیفیت بازیابی (“R” در RAG) است.

Tengyu MA ، بنیانگذار و مدیرعامل Voyage AI ، به VentureBeat گفت: “در بسیاری موارد ، کیفیت بازیابی به اندازه کافی خوب نیست.” “در مرحله بازیابی ، اگر آنها اطلاعات مربوطه را بازیابی نکنند ، بازیابی خیلی مفید نیست ، و مدل بزرگ زبان (LLM) توهم می کند زیرا باید برخی از زمینه ها را حدس بزند.”

مدل های AI Voyage اکنون بخشی از MongoDB به چند روش اصلی به بهبود RAG کمک می کند:

• مدلهای خاص دامنه و رتبه بندی مجدد: اینها بر روی مقادیر زیادی از داده های بدون ساختار از عمودی های خاص آموزش دیده اند و به آنها امکان می دهد اصطلاحات و معناشناسی آن حوزه ها را بهتر بشناسند.
• سفارشی سازی و تنظیم دقیق: کاربران می توانند مکانیسم بازیابی را برای مجموعه داده های منحصر به فرد تنظیم کرده و از موارد استفاده کنند.

رقابت MongoDB

MongoDB اولین یا تنها فروشنده ای نیست که نیاز و ارزش داشتن فناوری بسیار بهینه شده تعبیه شده و مجدداً رتبه بندی را تشخیص می دهد. از این گذشته ، این یکی از دلایلی است که Snowflake در Voyage AI سرمایه گذاری کرده و از مدل های شرکت استفاده می کند.

توجه به این نکته حائز اهمیت است که ، حتی پس از به دست آوردن MongoDB ، مدل های Voyage AI هنوز هم در دسترس Snowflake و سایر کاربران Voyage AI هستند. تفاوت بزرگ این است که اکنون Voyage AI به طور فزاینده ای در سیستم عامل های پایگاه داده MongoDB ادغام می شود.

ادغام مستقیم مدل های تعبیه پیشرفته در یک پایگاه داده ، رویکردی است که توسط سایر فروشندگان پایگاه داده رقیب نیز انجام شده است. در ژوئن سال 2024 ، DataStax از فناوری Ragstack خود خبر داد که ترکیب مدل های تعبیه شده و بازیابی پیشرفته است.

عظم استدلال کرد که MongoDB کمی متفاوت است. برای یک ، این یک پایگاه داده عملیاتی است ، بر خلاف یک پایگاه داده تحلیلی. همچنین ، بر خلاف ارائه بینش و تجزیه و تحلیل ، MongoDB به معاملات قدرت و عملیات در دنیای واقعی کمک می کند. MongoDB همچنین همان چیزی است که به عنوان “پایگاه داده مدل Document” شناخته می شود ، که ساختار متفاوتی نسبت به یک پایگاه داده رابطه ای سنتی دارد. این ساختار به ستون ها و جداول متکی نیست ، که به ویژه در ارائه اطلاعات در مورد داده های بدون ساختار (یک عنصر مهم برای برنامه های AI) خوب نیستند.

“ما تنها فناوری پایگاه داده ای هستیم که مدیریت ابرداده در مورد اطلاعات مشتری ، عملیات و معاملات را ترکیبی می کنیم ، این همان ضربان قلب آنچه در تجارت اتفاق می افتد و همچنین پایه و اساس بازیابی – همه با یک سیستم واحد” است. ” گفت آزام

چرا Voyage AI برای گردش کار Aticic AI مهم است

نیاز به مدل های تعبیه و بازیابی بسیار دقیق توسط AI عامل AI در حال تسریع بیشتر است.

کارشناسی ارشد گفت: “هوش مصنوعی عامل هنوز هم به روشهای بازیابی نیاز دارد ، زیرا یک عامل نمی تواند تصمیم گیری در خارج از کشور داشته باشد.” “گاهی اوقات ، در واقع از اجزای بازیابی چندگانه حتی در یک تصمیم استفاده می شود.”

کارشناسی ارشد خاطرنشان کرد: AI Voyage در حال حاضر روی مدلهای خاصی کار می کند که برای موارد استفاده از AI عامل بسیار سفارشی هستند. وی توضیح داد که AI عامل AI می تواند از انواع مختلفی از پرس و جو استفاده کند که هنوز هم می تواند از بهینه سازی بیشتر بهره مند شود.

از آنجا که ژنرال هوش مصنوعی به طور فزاینده ای به موارد استفاده عملیاتی حرکت می کند ، نیاز به رفع خطر توهم به وضوح مهم است. در حالی که MongoDB با ژنرال AI موفقیت داشته است ، Azam انتظار دارد که ادغام AI Voyage AI برای باز کردن موارد جدید استفاده مهم ماموریت را باز کند.

“اگر اکنون می توانیم بگوییم ،” سلام ، ما می توانیم به شما در شمال 90 ٪ دقت را برای برنامه های شما ارائه دهیم که امروزه فقط در بعضی موارد ممکن است به 30 یا 60 ٪ دقت برای نتایج برسد. ” انواع فرصت هایی که افراد می توانند هوش مصنوعی را در برنامه های نرم افزاری خود اعمال کنند. “