חזרה לפיד
articlesמקור: MongoDB Official Blog (general)22.9.2026

הקלת העבודה עם מודלי שפה דרך MongoDB Atlas

אמ;לק

השקת שירות חדש לביצוע Embedding (הפיכת טקסט למספרים שה-AI מבין) ישירות בתוך מסד הנתונים. זה מפשט משמעותית את הארכיטקטורה של אפליקציות AI ומפחית את מספר הנקודות שבהן מידע יכול לדלוף או להיפגם.

סיכום בעברית: מערכת VibeSec · מדיניות המקורות

נוסף ל-VibeSec:

כותרת מקורית: Introducing the Embedding and Reranking API on MongoDB Atlas

הקלת העבודה עם מודלי שפה דרך MongoDB Atlas

התוכן המלא בעברית

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

הגבול הבא של עולם ה-AI אינו מסתכם רק במודלים מתוחכמים יותר, אלא בהקשר טוב יותר. ככל ש-LLMs הופכים לחלק בלתי נפרד מכל תהליך ומוצר, הדיוק והאמון בהם תלויים בביסוס התשובות על הנתונים הנכונים. חיפוש ושליפה הם הבסיס לשינוי הזה, והם מניעים הכל, החל מצ'אטבוטים ועוזרים מבוססי AI ועד לסוכנים אוטונומיים לחלוטין. אך בניית מערכת שליפה מבוססת AI כיום דורשת חיבור בין מסדי נתונים, חיפוש וקטורי וספקי מודלי שליפה – כשכל אחד מהם מוסיף מורכבות תפעולית.

כדי לתת מענה לכך, אנו משיקים את ה-Embedding and Reranking API ב-MongoDB Atlas, הזמין כעת בתצוגה מקדימה ציבורית. שירות זה מעניק למפתחים גישה ישירה למודלי האחזור המתקדמים של Voyage AI בתוך המערכת האקולוגית של Atlas. ניתן להשתמש בו כ-API עצמאי עם כל טכנולוגיה, או לשלב אותו עם פיצ'רים של MongoDB Atlas כמו Vector Search כדי לבנות צינורות אחזור (retrieval pipelines) מלאים על פלטפורמה אחת ברמה ארגונית.

עדכון החל מ-⁦8/13/2026⁩ - ה-⁦Embedding and Reranking⁩ ⁦API⁩ ב-⁦MongoDB Atlas⁩ נמצא כעת ב-⁦General Availability⁩.

הנגשת מודלי אחזור AI מתקדמים ל-MongoDB Atlas

מודלי Embedding ו-reranking הם רכיבי ליבה במערכות אחזור מודרניות, והם המנוע לדיוק ביישומי המלצות, חיפוש ו-RAG.

עם זאת, לעיתים קרובות מתעלמים מחשיבות הבחירה במודל הנכון. תוצאות מ-Retrieval Embedding Benchmark (RTEB) מראות כי דיוק האחזור משתנה משמעותית בין משימות שונות, עם פערי ביצועים של עד כמעט 50% בין המודלים החזקים ביותר לחלשים ביותר.

בחירת דגמי האחזור הנכונים היא קריטית עבור:

• מזעור עלויות אחסון, זמן אחזור ועומס הקשר

• מתן מענה לצרכים של תעשיות ספציפיות, כגון משפט ופיננסים.

Voyage AI מציעה חבילה מקיפה של מודלי Embedding ו-reranking חדישים, המספקים באופן עקבי את הדיוק הגבוה ביותר בקטגוריות השונות ב-RTEB. מודלי הטמעת הטקסט תומכים בממדיות גמישה, החל מ-256 ועד 2048, וכן בקוונטיזציה (quantization), מה שמעניק למפתחים שליטה על האיזון בין איכות, עלות וזמן אחזור. מעבר להטמעות למטרות כלליות, Voyage מציעה מודלים המותאמים ליישומים ספציפיים לתחום (כגון משפט, פיננסים וקוד), הבנת מסמכים מלאה, מקרי שימוש מולטי-מודאליים ודירוג מחדש (reranking) ברמת דיוק גבוהה עבור צינורות אחזור דו-שלביים.

המודלים של Voyage AI זמינים כעת באופן מקורי ב-MongoDB Atlas באמצעות ה-Embedding and Reranking API החדש, המתווסף ליכולות אחזור ה-AI הקיימות בפלטפורמה שלנו. API ללא שרת (serverless) זה מציע תמחור פשוט מבוסס אסימונים (tokens) ופתוח לשימוש עם כל טכנולוגיה, ולא רק עם MongoDB.

היום אנו משיקים גם את סדרת מודלי Voyage 4, מודלי ה-Embedding המתקדמים ביותר שלנו עד כה. דור חדש זה של מודלים כולל מרחב הטמעה משותף ראשון בתעשייה, מה שהופך את המודלים לתואמים זה לזה ומעניק למפתחים גמישות רבה יותר באופטימיזציה של דיוק, מהירות ועלות. כעת ניתן להתחיל לעבוד עם סדרת Voyage 4 באמצעות ה-Embedding and Reranking API ב-MongoDB Atlas.

⁦MongoDB Atlas⁩: פלטפורמה מאוחדת לאחזור של ⁦AI⁩

MongoDB Atlas מציע כעת את מסד הנתונים התפעולי, יכולות חיפוש וקטורי מתקדמות ומודלי אחזור חדישים הדרושים לבניית יישומי AI על פלטפורמה אחת. הצוותים נהנים מניהול משתמשים, ניטור וחיוב מאוחדים, המגובים באבטחה ובבקרות ברמה ארגונית שעליהם סומכים עשרות אלפי לקוחות, כולל מעל 75% מחברות ה-Fortune 100.

זהו נדבך חשוב בבניית מערכות AI בסביבת ייצור (production). הרחבת יישומי LLM דורשת אספקת ההקשר הנכון בזמן הנכון, דבר המחייב שילוב הדוק בין נתונים תפעוליים לחיפוש בעל ביצועים גבוהים. מסד הנתונים של MongoDB Atlas, המוביל בתחום מסמכי ה-JSON, יחד עם יכולות החיפוש הווקטורי המובנות, כבר מניעים מערכות אחזור בקרב סטארטאפים בתחום ה-AI וארגונים גדולים. ה-Embedding and Reranking API משלים יכולות אלו ומאפשר לצוותים לבנות מערכות אחזור AI מקצה לקצה – מאחסון נתונים וחיפוש וקטורי ועד הטמעות ודירוג מחדש – הכל בתוך MongoDB Atlas.

AI טוב יותר מתחיל בהקשר טוב יותר. עם המודלים החדישים של Voyage AI הנגישים כעת דרך ה-Embedding and Reranking API ב-MongoDB Atlas, צוותים יכולים לבנות צינורות אחזור מלאים על פלטפורמה מוכחת – מאחסון נתונים וחיפוש וקטורי ועד להטמעות ודירוג מחדש. ה-API זמין כעת בתצוגה מקדימה ציבורית.

מוכנים להתחיל? הירשמו ל-MongoDB Atlas, צרו את מפתח ה-API שלכם תוך דקות וקבלו גישה ל-200 מיליון אסימונים (tokens) בחינם על המודלים העדכניים ביותר. עיינו בתיעוד והתחילו לעבוד עם ה-Embedding and Reranking API ב-MongoDB Atlas.

#mongodb#ai-infrastructure#llm#mongodb-atlas
קרא במקור

קריאה וכלים קשורים

אבטחת MongoDBמונחי אבטחה והסברים בעברית