חזרה לפיד
articlesמקור: MongoDB Official Blog (general)10.9.2026

מעבר מפיתוח ראשוני לאפליקציית AI מוכנה לארגון

אמ;לק

איך לבנות אפליקציות מבוססות AI שהן לא רק הוכחת היתכנות אלא מוצר עמיד ובטוח. דגש על שימוש בנתונים עדכניים וחיבור נכון של בסיסי נתונים למודלי שפה.

סיכום בעברית: מערכת VibeSec · מדיניות המקורות

נוסף ל-VibeSec:

כותרת מקורית: Go from 0 to 1 to Enterprise-Ready with MongoDB Atlas and LLMs

מעבר מפיתוח ראשוני לאפליקציית AI מוכנה לארגון

התוכן המלא בעברית

תרגום אוטומטי מהמקור; מונחים טכניים נשארו באנגלית. לנוסח המחייב — הכתבה המקורית.

פוסט זה זמין גם ב: Deutsch , ⁦Fran⁩çais , ⁦Espa⁩ñol , ⁦Portugu⁩ês , ⁦Italiano⁩ , 한국어 , 简体中文 .

עדכון 5/9/2024: מאז שפוסט זה פורסם במקור ביוני 2023, Atlas Vector Search הפך לזמין לכלל הציבור! הדרך המהירה והקלה ביותר לעבור מ-0 ל-1 עם MongoDB Atlas ו-LLMs היא לנסות את Atlas Vector Search Quick Start. ראו כיצד חברות רבות, כגון Okta, Novo Nordisk ו-Anywhere Real Estate, עברו מאז מ-1 ליישומי ייצור מוכנים לארגונים.

יצירת חוויות משכנעות ומובחנות באמת עבור הלקוחות שלכם באמצעות יישומים מועשרי בינה מלאכותית יוצרת (Generative AI), פירושה לבסס את הבינה המלאכותית על אמת. אמת זו מגיעה מהנתונים שלכם, וליתר דיוק – מהנתונים התפעוליים העדכניים ביותר שלכם. בין אם אתם מספקים חוויות מותאמות אישית ברמה גבוהה עם חיפוש סמנטי מתקדם, ובין אם אתם מייצרים תוכן ושיחות לפי הנחיית משתמש, MongoDB Atlas מאחד שירותי נתונים תפעוליים, אנליטיים וחיפוש וקטורי כדי לייעל את הטמעת הכוח של LLMs ומודלים של Transformers באפליקציות שלכם.

מדי יום מפתחים בונים את האפליקציה הבאה שתפרוץ דרך ותחולל שינוי באמצעות בינה מלאכותית יוצרת. מודלי LLM מסחריים ובקוד פתוח מתקדמים במהירות מסחררת. המסגרות והכלים לבנייה סביבם זמינים בשפע ומנגישים את החדשנות. ובכל זאת, המעבר של אפליקציות אלו מאב-טיפוס למוכנות לארגון הוא התהום שצוותי פיתוח חייבים לצלוח. ראשית, מודלים גדולים אלו עלולים לספק תשובות שגויות או לא מבוססות, מכיוון שהנתונים שיש להם גישה אליהם מיושנים. ישנן שתי אפשרויות לפתרון בעיית התשובות הלא מבוססות: כוונון עדין (fine-tuning) של מודל גדול או מתן זיכרון לטווח ארוך. עם זאת, פעולה זו מולידה מחסום שני: פריסת אפליקציה המבוססת על LLM מושכל, עם בקרות האבטחה המתאימות, ובהיקף ובביצועים שהמשתמשים מצפים להם.

מפתחים זקוקים לפלטפורמת נתונים בעלת גמישות במודל הנתונים, המאפשרת להסתגל לנתונים המובנים והבלתי-מובנים המשתנים ללא הרף, ואשר מזינים מודלים גדולים ללא הגבלה של סכמות נוקשות. אמנם כוונון עדין של מודל הוא אפשרות, אך זו אפשרות יקרה מאוד מבחינת זמן ומשאבים חישוביים. המשמעות היא שמפתחים צריכים להיות מסוגלים להציג נתונים כהקשר (context) למודלים גדולים כחלק מהנחיות (prompts). עליהם לתת למודלים יוצרים אלו זיכרון לטווח ארוך. להלן נדון בכמה דוגמאות כיצד לעשות זאת עם מגוון LLMs ומסגרות עבודה של בינה מלאכותית יוצרת.

עיינו ב-AI Learning Hub שלנו כדי ללמוד עוד על בניית אפליקציות מבוססות בינה מלאכותית עם MongoDB.

חמישה משאבים לתחילת עבודה עם MongoDB Atlas ו-Large Language Models

MongoDB Atlas מאפשר שילוב חלק של שירותים ומערכות בינה מלאכותית יוצרת מובילים, כגון ספקי ענן (hyperscalers), מודלי LLM ומסגרות עבודה בקוד פתוח. על ידי שילוב מאגרי נתונים של מסמכים והטמעות וקטוריות במקום אחד באמצעות Atlas Database ו-Atlas Vector Search (בתצוגה מקדימה), מפתחים יכולים להאיץ את בניית האפליקציות המועשרות בבינה מלאכותית יוצרת שלהם, המבוססות על האמת של הנתונים התפעוליים. להלן דוגמאות לעבודה עם מסגרות LLM פופולריות ו-MongoDB:

1. התחל עם ⁦Atlas Vector Search⁩ (תצוגה מקדימה) ו-⁦OpenAI⁩ לחיפוש סמנטי

מדריך זה מנחה אתכם בשלבים של ביצוע חיפוש סמנטי במערך נתונים לדוגמה של סרטים עם MongoDB Atlas. ראשית, תגדירו Atlas Trigger כדי לבצע קריאה ל-OpenAI API בכל פעם שמסמך חדש מוסף לאשכול שלכם, כדי להמיר אותו להטמעה וקטורית. לאחר מכן, תבצעו שאילתת חיפוש וקטור באמצעות Atlas Vector Search. יש אפילו סעיף בונוס מיוחד לשימוש במודלים של HuggingFace.

2. בנה אפליקציית צ'אט ⁦Gen⁩ ⁦AI-enriched⁩ עם הנתונים הקנייניים שלך באמצעות ⁦Llamalndex and MongoDB⁩

LlamaIndex מספק ממשק פשוט וגמיש לחיבור מודלי LLM עם נתונים חיצוניים. הבלוג המשותף הזה מ-LlamaIndex ו-MongoDB מפרט מדוע וכיצד תרצו לבנות אפליקציית צ'אט משלכם. המחברת (notebook) המצורפת בבלוג מספקת הדרכה על קוד כיצד לבצע שאילתות לכל מסמך PDF באמצעות שאלות בשפה האנגלית. קראו את הבלוג.

3. עיין במסמכים כיצד להשתמש ב-⁦Atlas Vector Search⁩ (תצוגה מקדימה) כחנות וקטורית עם ⁦LangChain⁩

כפי שצוין בפוסט הבלוג על הכרזת השותפות, LangChain ו-MongoDB Atlas הם התאמה טבעית, וזה הוכח על ידי ההתלהבות הקהילתית האורגנית שהובילה למספר אינטגרציות של MongoDB ב-LangChain. בנוסף לתמיכה הנוכחית ב-Atlas Vector Search כ-Vector Store, קיימת כבר תמיכה בשימוש ב-MongoDB לשמירת היסטוריית צ'אט. קראו את המסמכים: python, javascript.

4. צור תחזיות ישירות ב-⁦MongoDB Atlas⁩ עם ⁦MindsDB⁩ ⁦AI⁩ אוספים

MindsDB היא פלטפורמת למידת מכונה בקוד פתוח המביאה למידת מכונה אוטומטית למסד הנתונים. בבלוג זה תיצרו תחזיות ישירות ב-Atlas עם MindsDB AI Collections, מה שיעניק לכם את היכולת לצרוך תחזיות כנתונים רגילים, לבצע שאילתות על תחזיות אלו, ולהאיץ את מהירות הפיתוח על ידי פישוט זרימות עבודה של פריסה. קראו את הבלוג.

5. שילוב מודלים של HuggingFace Transformers בתוך MongoDB Atlas עם Atlas Triggers

HuggingFace היא קהילת בינה מלאכותית שמקלה על בנייה, אימון ופריסה של מודלים של למידת מכונה. השימוש ב-Atlas Triggers לצד HuggingFace מאפשר לכם להגיב בקלות לשינויים בנתונים תפעוליים המספקים זיכרון לטווח ארוך למודלים שלכם. למדו כיצד להגדיר Triggers כדי לחזות באופן אוטומטי את הסנטימנט של מסמכים חדשים במסד הנתונים של MongoDB ולהוסיף אותם כשדות נוספים למסמכים שלכם. ראו את ה-GitHub Repo.

מאב-טיפוס לייצור עם MongoDB עבור אפליקציות מועשרות בבינה מלאכותית יוצרת

מסד הנתונים המודרני של MongoDB מספק חוויית מפתח מודרנית ואופטימלית, תוך שהוא נבחן בשטח על ידי אלפי ארגונים ברחבי העולם כדי להבטיח ביצועים בקנה מידה רחב ובאופן מאובטח.

בין אם אתה בונה את הדבר הגדול הבא בסטארטאפ או בארגון, ⁦Atlas⁩ מאפשר לך:

• האצו את בניית האפליקציות המועשרות בבינה מלאכותית יוצרת שלכם, המבוססות על האמת של הנתונים התפעוליים.

• פשטו את ארכיטקטורת האפליקציה שלכם על ידי מינוף פלטפורמה אחת המאפשרת אחסון נתוני אפליקציה ונתונים וקטוריים באותו מקום, תגובה לשינויים בנתוני המקור באמצעות פונקציות ללא שרת (serverless), וחיפוש במגוון סוגי נתונים לשיפור הרלוונטיות והדיוק בתגובות שהאפליקציות שלכם מייצרות.

• שדרגו בקלות את האפליקציות המועשרות בבינה מלאכותית יוצרת בעזרת הגמישות של מודל המסמכים, תוך שמירה על חוויית מפתח פשוטה ואלגנטית.

• שלבו בצורה חלקה שירותי ומערכות בינה מלאכותית מובילים, כגון ספקי ענן, מודלי LLM ומסגרות עבודה בקוד פתוח, כדי להישאר תחרותיים בשווקים דינמיים.

• בנו אפליקציות מועשרות בבינה מלאכותית יוצרת על בסיס נתונים תפעולי בעל ביצועים גבוהים וסקילביליות, שעבר עשור של אימות במגוון רחב של מקרי בוחן בבינה מלאכותית.

בעוד שדוגמאות אלו הן אבני בניין למשהו חדשני יותר, MongoDB יכולה לעזור לכם לעבור מרעיון לייצור ועד להתרחבות. התחילו היום על ידי הרשמה לשכבה החינמית של MongoDB Atlas ושילוב עם המסגרות וה-LLMs המועדפים עליכם. אם אתם מעוניינים לעבוד איתנו מקרוב יותר, בדקו את תוכנית MongoDB AI Innovators שלנו, המקדמת חדשנות בבינה מלאכותית ומציגה פתרונות פורצי דרך מסטארט-אפים, לקוחות ושותפים.

#mongodb#enterprise-ready#llm-app#security-best-practices
קרא במקור

קריאה וכלים קשורים

אבטחת MongoDBמונחי אבטחה והסברים בעברית