Il rapporto 2024 Retool State of AI è appena stato pubblicato e, per il secondo anno consecutivo, MongoDB Atlas Vector Search è stato nominato il database vettoriale più amato. Atlas Vector Search ha ricevuto il punteggio NPS (Net Promoter Score) più alto, una misura della probabilità che un utente consigli una soluzione ai propri colleghi.
Il rapporto Retool State of AI è un sondaggio annuale globale tra sviluppatori, leader tecnologici e responsabili IT, che fornisce insight sullo stato attuale e futuro dell’IA, compresi i database vettoriali, la retrieval-augmented generation (RAG), l’adozione dell’IA e le sfide dell’innovazione con l’IA.
MongoDB Atlas Vector Search ha ottenuto il punteggio NPS più alto nel rapporto inaugurale di Retool del 2023 ed è stato il secondo database vettoriale più utilizzato a soli cinque mesi dalla sua uscita. Quest’anno, Atlas Vector Search si è aggiudicato un pareggio virtuale per il database vettoriale più popolare, con il 21,1% dei voti, e segue di poco pgvector (PostgreSQL), che ha ricevuto il 21,3%.
L’indagine evidenzia anche la crescente adozione di RAG come approccio preferito per generare risposte più accurate con un contesto aggiornato e pertinente su cui i modelli linguistici di grandi dimensioni (LLM) non sono addestrati. Sebbene gli LLM siano addestrati su enormi quantità di dati, non tutti i dati sono aggiornati, né riflettono dati proprietari. E nelle aree in cui esistono punti ciechi, sappiamo che gli LLM producono con sicurezza “allucinazioni” imprecise. La messa a punto è un modo per personalizzare i dati su cui vengono formati gli LLM e il 29,3% degli intervistati del sondaggio Retool si basa su questo approccio. Ma tra le aziende con più di 5.000 dipendenti, un terzo ora si avvale di RAG per accedere a dati sensibili al fattore tempo (come i prezzi del mercato azionario) e a business intelligence interna, come la cronologia dei clienti e delle transazioni.
È qui che MongoDB Atlas Vector Search brilla davvero. I clienti possono facilmente utilizzare i propri dati archiviati in MongoDB per aumentare e migliorare drasticamente le prestazioni delle applicazioni di IA generativa, sia durante la fase di addestramento che di valutazione.
Nel corso di un anno, l’utilizzo del database vettoriale tra gli intervistati del sondaggio Retool è aumentato notevolmente, passando dal 20% nel 2023 a uno strabiliante 63,6% nel 2024. Gli intervistati hanno riferito che i loro criteri di valutazione principali per la scelta di un database vettoriale sono stati i benchmark delle prestazioni (40%), il feedback della comunità (39,3%) e gli esperimenti proof-of-concept (38%).
Uno dei punti critici che il rapporto evidenzia chiaramente è la difficoltà con lo stack tecnologico dell’intelligenza artificiale. Oltre il 50% ha dichiarato di essere abbastanza soddisfatto, non molto soddisfatto o per niente soddisfatto del proprio stack IA. Gli intervistati hanno inoltre segnalato difficoltà nell’acquisire il consenso interno, spesso complicato dall’impegno di procurement, quando è necessario integrare una nuova soluzione. Un modo per ridurre gran parte di questo attrito è tramite una suite integrata di soluzioni che razionalizzi lo stack tecnologico e consenta di non dover integrare più fornitori sconosciuti. La ricerca vettoriale è una funzionalità nativa della piattaforma di dati per sviluppatori di MongoDB, Atlas, quindi non è necessario aggiungere una soluzione indipendente. Se stai già utilizzando MongoDB Atlas, la creazione di esperienze basate sull’IA implica poco più che aggiungere dati vettoriali alle collection di dati esistenti in Atlas.
Se sei sviluppatore e desideri iniziare a utilizzare Atlas Vector Search per iniziare a creare app basate sull’IA generativa, abbiamo diverse risorse utili:
Scopri come creare un agente assistente di ricerca IA che utilizza MongoDB come provider di memoria, Fireworks AI per le chiamate di funzioni e LangChain per l’integrazione e la gestione dei componenti conversazionali.
Ottieni un’introduzione a LangChain e MongoDB Vector Search e impara a creare il tuo chatbot in grado di leggere lunghi documenti e fornire risposte approfondite a domande complesse.
Guarda Sachin Smotra di Dataworkz mentre approfondisce le complessità della scalabilità delle applicazioni RAG (retrieval-augmented generation).
Leggi il nostro tutorial che ti mostra come combinare l’elaborazione avanzata del linguaggio naturale di Google Gemini con MongoDB, agevolata dalle estensioni Vertex AI per migliorare l’accessibilità e l’usabilità del tuo database.
Sfoglia il nostro hub di risorse dove troverai articoli, rapporti di analisti, case study, white paper e altro ancora.
Vuoi saperne di più sulle recenti tendenze e sull’adozione dell’IA? Leggi il rapporto completo Retool State of AI 2024.
Source: Read More
