Atlas Vector Search é eleito novamente o banco de dados vetorial mais amado

O relatório de 2024 "State of AI" da Retool acaba de ser lançado e, pelo segundo ano consecutivo, o MongoDB Atlas Vector Search foi considerado o banco de dados vetorial mais amado. O Atlas Vector Search recebeu a maior pontuação no NPS (Net Promoter Score), uma métrica da probabilidade do usuário recomendar uma solução a alguém.

O relatório "State of AI" da Retool é uma pesquisa global e anual feita com desenvolvedores, líderes de tecnologia e tomadores de decisões da área de TI que fornece insights sobre o estado atual e futuro da IA, incluindo bancos de dados vetoriais, geração aumentada por recuperação (RAG), adoção de IA e desafios para inovar com a IA.

O MongoDB Atlas Vector Search fez jus ao NPS mais alto no relatório inaugural de 2023 da Retool e foi o segundo banco de dados vetorial mais utilizado em apenas cinco meses após seu lançamento. Este ano, o Atlas Vector Search ficou praticamente empatado como o banco de dados vetorial mais popular, com 21,1% dos votos, apenas um pouco atrás do pgvector (PostgreSQL), que recebeu 21,3%.

A pesquisa também aponta para a crescente adesão do RAG como a abordagem preferida para gerar respostas mais precisas, com contexto atualizado e relevante, com o qual os grandes modelos de linguagem (LLMs) não são treinados. Embora os LLMs sejam formados em enormes corpus de dados, nem todos esses dados estão atualizados, nem refletem dados proprietários. E nas áreas onde existem pontos cegos, os LLMs são notórios por fornecer "alucinações" imprecisas com confiança. O ajuste fino é uma maneira de personalizar os dados nos quais os LLMs são formados, e 29,3% dos entrevistados na pesquisa da Retool utilizam essa abordagem. Mas entre as empresas com mais de 5.000 funcionários, um terço agora utiliza o RAG para acessar dados sensíveis ao tempo (como preços do mercado de ações) e informações internas de negócios, como histórico de clientes e transação.

É aqui que o MongoDB Atlas Vector Search se destaca. Os clientes podem utilizar com facilidade os dados armazenados no MongoDB para aumentar e evoluir drasticamente o desempenho de aplicativos de IA generativa, durante as fases de treinamento e avaliação.

No período de um ano, a utilização de bancos de dados vetoriais entre os entrevistados da Retool aumentou drasticamente, de 20% em 2023 para surpreendentes 63,6% em 2024. Os entrevistados informaram que seus principais critérios de avaliação para escolher um banco de dados vetorial foram: benchmarks de desempenho (40%), feedback da comunidade (39,3%) e experimentos de prova de conceito (38%).

O relatório destaca a dificuldade no uso da pilha tecnológica de IA como um dos pontos problemáticos. Mais de 50% relataram estar pouco, parcialmente, ou nada satisfeitos com suas pilhas de IA. Os entrevistados também relataram dificuldade em obter a adesão interna, agravada pelo esforço que uma aquisição demanda quando uma nova solução precisa ser integrada. Uma maneira de reduzir grande do problema é por meio de um conjunto integrado de soluções que otimize a pilha de tecnologia e elimine a necessidade de integrar vários fornecedores desconhecidos. A pesquisa vetorial é um recurso nativo do Atlas, plataforma de dados para desenvolvedores do MongoDB e, portanto, não há necessidade de usar uma solução standalone. Se você já usa o MongoDB Atlas, criar experiências baseadas em IA não requer muito mais do que a adição de dados vetoriais a collections existentes no Atlas.

Temos uma série de recursos úteis para desenvolvedores interessados em usar o Atlas Vector Search para criar aplicativos de IA generativa:

• Saiba como criar um agente assistente de IA que usa o MongoDB como provedor de memória, o Fireworks AI para chamadas de funções e o LangChain para integrar e gerenciar componentes conversacionais.

• Obtenha uma introdução ao LangChain e ao MongoDB Vector Search e aprenda a criar seu próprio chatbot, capaz de ler documentos extensos e fornecer respostas esclarecedoras para queries complexas.

• Acompanhe o mergulho de Sachin Smotra, da Dataworkz, nas complexidades do dimensionamento de aplicativos RAG (geração aumentada de recuperação).

• Leia nosso tutorial que mostra como combinar o processamento avançado de linguagem natural do Google Gemini com o MongoDB, facilitado pelas extensões de IA da Vertex, para aprimorar a acessibilidade e a usabilidade do seu banco de dados.

• Acesse nosso hub de recursos para conferir artigos, relatórios de analistas, estudos de caso, white papers e muito mais.