MongoDB stellt KI-Daten-Retrieval-Funktionen vor

Die Abbildung zeigt eine Benutzeroberfläche von MongoDB mit Funktionen zur Dokumentensuche. Es sind verschiedene Suchparameter und Datenfelder sichtbar, darunter Unterkunftsinformationen und Kontaktdaten. Die Oberfläche ist klar strukturiert und benutzerfreundlich gestaltet. — MongoDB

Laut MongoDB scheitern viele KI-Initiativen kurz vor dem produktiven Einsatz an einem unzuverlässigen Daten-Retrieval sowie an Infrastrukturen, die den strengen Compliance-Anforderungen nicht gerecht werden. Das Unternehmen will dieses Problem lösen, indem es ein präziseres Retrieval direkt in die Datenbank integriere und eine KI-fähige Suche für On-Premises-, Private-Cloud- und Hybrid-Umgebungen verfügbar mache.

Das seien genau die Umgebungen, in denen regulierte Unternehmen ihre sensibelsten Workloads betreiben. Zusammen sollen diese Funktionen Unternehmen und Entwicklern einen betriebsbereiten Retrieval-Stack bieten, der Präzision, Compliance und Flexibilität bei der Bereitstellung vereine.

Die neuen Funktionen basieren auf den Voyage-AI-Modellen von MongoDB, die die Embedding-Modelle von Gemini und Cohere im öffentlichen Retrieval Embedding Benchmark (RTEB) von Hugging Face übertreffen würden. Native Reranking in MongoDB Atlas verbessere die Retrieval-Qualität in der Datenbank um bis zu 30 %. Es baue direkt auf bestehenden Suchergebnissen auf, ohne dass externe APIs, Schlüssel oder zusätzliche Roundtrips verwaltet werden müssten.

Voyage-context-4 sei ein Modell für kontextualisiertes Chunk-Embedding. Dieses sei für die Verarbeitung langer Dokumente in ihrem vollständigen Kontext entwickelt worden, anstatt sie in isolierte Chunks aufzuteilen. Indem es die semantische Bedeutung komplexer Unternehmensinhalte bewahrt, sorge es für eine bessere Retrieval-Genauigkeit. Das Modell lasse sich ohne architektonische Änderungen in bestehende RAG-Pipelines (Retrieval-Augmented Generation) integrieren.

Hybrid Search in MongoDB kombiniere zu guter Letzt Volltext- und Vektorsuche in einer Abfrage direkt in der operativen Datenbank und sorge für genaues Retrieval ohne separate Systeme oder komplizierte Abfragelogik. Da die Einbettungen automatisch aktuell gehalten werde, würden KI-Agenten stets auf den echten, aktuellen Datenbestand zugreifen, anstatt auf eine veraltete Kopie.

Der größte Stolperstein für den breiten, produktiven Einsatz von KI in Unternehmen ist nicht das LLM. Es sind Speicher, Retrieval, Genauigkeit und Compliance. Die meisten Unternehmen scheitern nicht an ihren Ambitionen. Sie werden eher von einer Infrastruktur ausgebremst, die nicht darauf ausgelegt war, der KI einen vertrauenswürdigen Zugriff auf Unternehmensdaten zu bieten. Egal, ob Sie in der Cloud, in einer Private Cloud oder hinter einer Firewall arbeiten, MongoDB bietet dieselben einsatzfertigen Retrieval-Funktionen, ganz gleich, wo Ihre Daten liegen.“

Ben Cefalo, CPO Core Products bei MongoDB

Einhaltung von Compliance-Vorgaben

In der Vergangenheit seien die leistungsfähigsten KI-Tools meist als Cloud-First-Lösungen entwickelt worden. Dies zwinge Unternehmen in regulierten Branchen oft dazu, sich zwischen Compliance und Leistungsfähigkeit zu entscheiden. MongoDB (Website) habe zur Lösung dieses Problems Search und Vector Search als Add-on für die kommerzielle Version seiner Kerndatenbank eingeführt. Das Update bringe dieselben Retrieval-Funktionen, die MongoDB-Atlas-Kunden bereits nutzen würden.

Außerdem seien Search und Vector Search auch allgemein für die MongoDB Community Edition verfügbar. Dabei handele es sich um eine kostenlose Version Kerndatenbank mit verfügbarem Quellcode, die es Entwicklern ermögliche, KI-Retrieval ohne zusätzliche Kosten lokal zu implementieren.ft