חזרה לפיד
articlesמקור: MongoDB Official Blog (general)30.9.2026

בעיות אבטחה ב-AI: חשיבות הדירוג מחדש של מידע

אמ;לק

כדי שסוכני AI יפעלו נכון, צריך לספק להם מידע רלוונטי בלבד. שליפת יתר של מידע (Over-fetching) לא רק מאטה את המערכת אלא גם חושפת יותר נתונים רגישים למודל, מה שמהווה סיכון אבטחה.

סיכום בעברית: מערכת VibeSec · מדיניות המקורות

נוסף ל-VibeSec:

כותרת מקורית: Context Engineering Has a Retrieval Issue: Introducing rerank-3 and Native Reranking

בעיות אבטחה ב-AI: חשיבות הדירוג מחדש של מידע

התוכן המלא בעברית

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

כל צוות שבונים סוכני AI מגלה אמת בסיסית אחת: ללא המידע הנכון, סוכן אינו יכול לענות באופן אמין על שאלה או לבצע את הפעולה הנכונה.

ככל שחלונות ההקשר של מודלי שפה גדולים גדלו, היה מפתה להניח שעצם מתן מידע נוסף לסוכן ישפר את הדיוק שלו. בפועל, יותר הקשר הופך את הסוכנים לאיטיים ויקרים יותר, תוך הפחתת הדיוק בשל קבורת האותות השימושיים תחת מידע לא רלוונטי.

זו הסיבה שהצלחתו של סוכן מסתמכת כעת על הנדסת הקשר (context engineering) — הפרקטיקה של בחירה, ארגון והצגה בפני הסוכן של המידע הדרוש לו בלבד כדי להשלים משימה ביעילות.

והליבה של עבודה זו מתרחשת באחזור (retrieval). השאלה היא לא כמה מידע אתה יכול להכניס להקשר, אלא אילו עשרה דברים מתוך עשרה מיליון אתה בוחר.

פלטפורמת הנתונים החכמה של MongoDB מפגישה את דגמי ההטמעה (embedding) והדירוג מחדש (reranking) מהשורה הראשונה של Voyage AI עם פלטפורמה לבנייה, תפעול ופיתוח של מערכות אחזור מורכבות. עם ההכרזה היום על סדרת Rerank 3 ועל $rerank ב-aggregation pipeline, מפתחים יכולים לשפר את האיכות והסדר של ההקשר שנשלף בתוך אותה מערכת שבה נשמרים הנתונים התפעוליים שלהם. התוצאה היא דרך פשוטה יותר לבנות מערכות אחזור המעניקות לסוכנים את ההקשר הדרוש להם כדי לנקוט בפעולה.

ערימת האחזור

אחזור יעיל דורש מערכת מתואמת כדי למצוא מידע שימושי, לקבוע מה הכי חשוב ולמסור אותו ביעילות לסוכן.

האסטרטגיה קובעת כיצד המערכת מחפשת בנתונים שלה. חיפוש מילות מפתח יכול להציף מונחים מדויקים, בעוד שחיפוש וקטורי (vector search) מוצא תוכן דומה מבחינה רעיונית. פילטרים וגישות היברידיות מוסיפים דיוק ושליטה, ומבטיחים שרק ההקשר הרלוונטי יאוזר.

הדגמים קובעים מה נחשב לרלוונטי עבור הנתונים שלך. מודל הטמעה (embedding model) חזק יותר עוזר לחיפוש הווקטורי לזהות מועמדים טובים יותר על ידי הבנת הדמיון הרעיוני וכוונת השאילתה. מדרג מחדש (reranker) מאפשר לאחזור בשלב הראשון לבצע אופטימיזציה להיזכרות (recall), ולאחר מכן מפריד את ההתאמות החזקות ביותר מקבוצת המועמדים.

המנוע הנכון מפגיש את הטכנולוגיות השונות הללו, שומר על נתונים עדכניים ושאילתות יעילות בזמן שהמערכת פועלת בייצור.

ללא פלטפורמה מאוחדת לניהול אחזור, העבודה מסתבכת במהירות. ייתכן שתשתמש בספק אחד להטמעות, באחר לדירוג מחדש, ובספקי מסד נתונים מרובים עבור נתוני התפעול, החיפוש והווקטורים שלך. המשמעות היא יותר אינטגרציות, עבודות סנכרון ושיחות API לתחזוקה. זה יכול גם ליצור בעיות שקטות: אינדקס החיפוש הווקטורי שלך עשוי להשתמש בגרסה אחת של מודל הטמעה בזמן שהאפליקציה שלך משתמשת באחרת, מה שפוגע ברלוונטיות מבלי לגרום לשגיאה מפורשת.

איור 1. צינור השליפה המנותק.

MongoDB מאחדת את החלקים הללו בפלטפורמה אחת. היא תומכת באסטרטגיות החיפוש שהמפתחים צריכים, כולל טקסט, וקטור, אחזור היברידי ואחזור מסונן, ומצמידה אותם לדגמי ההטמעה והמדרגים מחדש המתקדמים של Voyage AI. התכונה Automated Embedding שומרת על וקטורים מסונכרנים עם שינויים בנתונים, בעוד שדירוג מחדש מקורי (native rerank) מאפשר למפתחים לחדד תוצאות באותו aggregation pipeline. התוצאה היא שאילתה אחת שיכולה לחפש נתונים תפעוליים, ליישם את אסטרטגיית האחזור הנכונה, לדרג מחדש את התוצאות ולהחזיר את ההקשר שסוכן צריך.

איור 2. צינור האחזור המאוחד המופעל על ידי ⁦MongoDB⁩.

הדגמים

ההכרזה היום על rerank-3 ו-rerank-3-lite מציעה דיוק משופר בכל המשימות, עם השיפורים הגדולים ביותר במסמכים ארוכים ובקוד. rerank-3 מתעלה על Cohere Rerank v4.0 Pro ב-2.72% ועל Qwen3-Reranker-8B ב-3.02% בסך הכל. אם אתה משתמש כיום ב-rerank-2.5, השדרוג הוא שינוי שם הדגם בשורה אחת. אותו API, אותו מחיר.

rerank-3 משפר את הרלוונטיות ללא קשר לאופן שבו נשלפה קבוצת המועמדים הראשונית. הטבלה שלהלן מציגה את שיפור הדיוק בכמה שיטות אחזור נפוצות בשלב הראשון.

המנוע

MongoDB היא מנוע האחזור התפעולי שעומד בבסיס כל זה, וכל אסטרטגיה פועלת באופן מקורי מול אותם נתונים שהאפליקציה שלך כבר כותבת אליהם. חיפוש לקסיקלי תופס מזהים, קודי שגיאה ושמות מוצרים מדויקים. חיפוש וקטורי תופס מושגים ופרפראזות. אחזור היברידי משלב ביניהם, ומסנני מטא-נתונים שומרים על סט המועמדים קטן מספיק כדי להישאר מהיר. שום דבר מזה לא דורש העברת נתונים למערכת נפרדת או החזקת שני עותקים מסונכרנים.

Automated Embedding מטפל בחלק שבדרך כלל נוטה להישבר. וקטורים נוצרים ומתרעננים ברמת השדה כמעט בזמן אמת, כאשר צריכת טוקנים ותקינות האינדקס גלויים ב-Atlas UI. אין עבודת הטמעה לנהל, ואין סיכוי להיווצרות פער בין גרסת המודל שעליה נבנה האינדקס לבין גרסת המודל שהשאילתות שלך פועלות מולה.

$rerank, הזמין החל מהיום, מוסיף את שלב הדירוג הסופי לאותו צינור. זהו שלב ללא אינדקס שיכול לקחת כל קבוצת מועמדים שהופקה בשלב הקודם ולדרג אותה מחדש עם rerank-3 או rerank-3-lite. אין ספק נפרד, אין קריאת API חיצונית, ואין שלב הרכבה מחדש בקוד האפליקציה — מה שחשוב כאשר סוכן מבצע מספר קריאות אחזור לכל משימה ולא רק אחת.

כוח משיכה: איך זה נראה כשזה עובד

Gravity בונה רשת מודעות שמייעלת פרסום לעידן ה-AI. רלוונטיות היא לא בונוס שם; היא המוצר. הבעיה שלהם לא הייתה היזכרות (recall). מודלי הטמעה ודירוג מוקדמים יותר החזירו ציוני רלוונטיות שהיו מקובצים בצורה צפופה מדי, ולכן Gravity לא הצליחה להפריד בביטחון בין התאמה חזקה להתאמה חלשה.

"הדבר המשמעותי ביותר שמצאנו במדדים שלנו היה היכולת של Voyage AI להפלות בין מועמדים שאינם מתאימים לבין אלו שבאמת מתאימים", אמר ליאו מרטינז, המייסד המשותף וה-CTO של Gravity. המעבר ל-Voyage AI חתך את זמן האחזור (latency) בכ-50% ושיפר את הדיוק ככל שנפח הבקשות עלה.

סגירת הפער

איכות האחזור היא רק שכבה אחת ממה ש-MongoDB בונה עבור סוכנים. MongoDB 9.0 ו-Atlas Infinite הם שכבת הביצועים והקנה-מידה האלסטי, הסופגת את התנודות החדות בתעבורה שעומסי עבודה של סוכנים יוצרים. Atlas Agent Engine הוא שכבת הזיכרון והמשילות, המעניקה לסוכנים הקשר מתמשך ומעקות בטיחות לאורך הפעלות; האחזור מופעל על ידי Atlas Vector Search ו-Voyage AI. סוכן מחליט מה לאחזר לפני שהוא מחליט מה לעשות. תשתית מהירה יותר המבוססת על אחזור גרוע פשוט פירושה פעולה מהירה יותר על בסיס מידע שגוי.

ביצוע אחזור נכון כבר לא דורש ארכיטקטורה מורכבת. Automated Embedding מטפל בהטמעות, $rerank מטפל בסידור מחדש, ושניהם פועלים מול הנתונים התפעוליים שלך ישירות ב-MongoDB. הדגמים זמינים גם באופן עצמאי דרך Atlas Embedding and Reranking API.

התחל לעבוד עם Automated Embedding ו-Native Reranking כאן. לכל מה שהכרזנו ב-MongoDB.local NYC, וכן לעדכוני המוצר האחרונים, בקר בדף 'מה חדש' שלנו.

#mongodb#ai-security#data-leakage#rag
קרא במקור

קריאה וכלים קשורים

אבטחת MongoDBמונחי אבטחה והסברים בעברית