MongoDB спонсировал этот пост.
Всего пять лет назад, выбрав правильный вид базы данных для поддержки их приложений, представлял сложность для многих разработчиков: реляционный или nosql? Структурированный или неструктурированный? Гибкий или предсказуемый? Они не знали точно, как будут выглядеть их данные через шесть месяцев, но они знали, что это было наверняка измениться. Это заставило многих сделать выбор повстанцев, чтобы отклонить жесткую структуру баз данных SQL для чего -то более плавного и адаптируемого.
Теперь, когда ИИ развивается быстрее и яростно, чем предполагалось, разговор радикально изменился. Речь идет не просто о том, где хранить данные, а о понимании того, что происходит под нашим приложением, где фундаментальный характер того, как мы храним, обрабатываем и принимаем решения с данными, трансформируется в режиме реального времени.
Эти изменения стимулируют великую переосмысление данных, где компании должны думать о своих данных не как о статическом активе, а как активного участника в интеллектуальной платформе, которая позволяет им вводить новшества на скорости искусственного интеллекта.
Кризис идентификации архитектуры данных
В настоящее время организации сталкиваются с техническим долгами в размере 1,52 триллиона долларов, и, по словам Гартнера, к 2026 году 80% этого долга будут связаны с архитектурными проблемами. Для разработчиков технический долг потребляет до 42% своего времени, повреждая моральный дух, способствуя обороту и замедлению инноваций, которые препятствуют конкурентоспособности в таких областях, как ИИ, персонализация и использование Интернета вещей (IoT).
«Сегодняшние разработчики создают агентов искусственного интеллекта, которые должны помнить разговоры, искать миллионы документов семантически и одновременно масштабируются по нескольким облакам», — сказал Хан Хелуар, eMea Generative AI Solutions Architect в MongoDB. «Большая часть разработчиков архитектурных долгов сталкивается с ограничениями несоответствий между системами объектов и отношений, что убивает ловкость, скорость и производительность».
Разработчики давно знают, что жесткая инфраструктура может замедлить развитие. Схема-гибкие (не путать с схемами) подходы, которые позволяют быстро итерацию, лучше всего подходят для современных приложений. Тем не менее, кризис идентификации архитектуры данных является реальным среди технических лидеров, разорванных между двумя принципиально разными историями о том, как приложения должны соответствовать возможностям ИИ.
Например, PostgreSQL почитается инженерами за его надежность и мастерство SQL. И наоборот, гибкие, интегрированные с AI платформы используют модели документов, которые естественным образом сопоставляются с кодом приложения и не требуют предопределенных схем. Они допускают быструю итерацию при сохранении управления, что делает их идеальными для динамических доменов, которые требуют данных в реальном времени.
Однако две платформы сходится с классическими базами данных, такими как PostgreSQL, охватывают поддержку JSON и гибкость, подобную NOSQL, и некоторые поставщики NOSQL, добавляющие такие возможности, как транзакции, соединения и векторный поиск для питания как гибких, так и структурированных вариантов использования при упрощении архитектуры.
Ключевым является понимание конкурентного преимущества вашего приложения и потребностей ваших клиентов. Платформы финансовой торговли, системы медицинских карт и инструменты соответствия нормативным требованиям все спрос на схему первым мышлением. В этих случаях философия Postgresql «первая структура» имеет важное значение. Но когда конкурентное преимущество вашего приложения исходит от понимания полуструктурированных, динамичных или быстро развивающихся данных, философия «построить» предлагает стратегическое преимущество. Разработчики могут быстро начать писать приложения без сначала разработки схемы базы данных.
Хитрость заключается в том, чтобы принять постоянство полиглота, используя PostgreSQL для реляционных рабочих нагрузок и баз данных документов для рабочих нагрузок искусственного интеллекта. Речь идет о понимании, какая платформа выполняет, какие обязанности в вашей архитектуре.
Адаптивный подход: приоритет скорости разработчика
Имейте в виду, что, хотя решение между традиционными базами данных и адаптивными платформами не является бинарным, адаптивные подходы лучше всего подходят для разработки искусственного интеллекта, где скорость разработчика необходима для конкурентоспособности.
Это связано с тем, что адаптивный подход рассматривает данные как активного игрока в интеллекте и ловкости приложения, улучшая принятие решений и пользовательский опыт. Адаптивные платформы действуют как интеллектуальные партнеры по данным, которые могут хранить, поиск, анализировать и даже разум о информации, и в то же время позволяя приложению масштабировать от одного пользователя до миллионов, и разработчики не должны думать об определении инфраструктуры, прежде чем они начнут строить. Эти платформы преобразуют для разработчиков, позволяя им сосредоточиться на том, что делает их приложения уникальными, а не сшивая пять различных сервисов для обработки данных, поиска, аналитики и ИИ.
С технической точки зрения адаптивные платформы сходили три возможности: они устраняют несоответствие импеданса, обеспечивают распределенную архитектуру для горизонтального масштабирования и интегрируют эксплуатационные и аналитические рабочие нагрузки. Эти платформы развиваются с новыми рабочими нагрузками ИИ и могут служить как оперативной базой данных, так и векторным хранилищем для приложений для поиска с генерацией (RAG).
Например, подход MongoDB к консолидации RAG объединяет поиск, векторный поиск, эксплуатационные данные и триггеры, управляемые событиями. Вместо того, чтобы держать данные клиентов в MongoDB, векторы в Pinecone и поиск индексов в Elasticsearch, все живет в одной платформе. Это AI-местный подход, который устраняет накладные расходы, связанные с традиционными платформами искусственного интеллекта, путем предоставления оперативных данных, векторных встроений, индексов поиска и аналитических систем.
Когда профиль клиента обновляется, векторные встраиваемые встроены автоматически синхронизируются. По мере того, как новые знания добавляются в систему, он сразу же доступен как для оперативных запросов, так и для семантического поиска. Другими словами, он делает интеллект внутренним для самого уровня данных.
«Преимущества единой, а также AI-родной платформы глубоки»,-сказал Хельор. «Мы видим, как компании сокращают свою инфраструктуру ИИ с шести или семи компонентов до MongoDB плюс их LLM [large language model] поставщик. Это не просто экономия. Это архитектурная простота, которая ускоряет инновации ».
Ай-немеденные платформы-это будущее
Мы находимся в середине фундаментального переосмысления того, как будет работать корпоративное программное обеспечение в следующем десятилетии, где ваша база данных станет вашим ИИ. Дискуссия по базам данных исчезает, поскольку будущие организации начинают принимать адаптивные платформы, которые учатся и развиваются.
По мере того, как различие между оперативными базами данных и адаптивными платформами полностью исчезает, данные все больше станут совместным партнером в инфраструктуре, которая действует как интеллектуальный организм, где данные, значение и рассуждение сосуществуют плавно. Это не научная фантастика. Это естественный прогресс в направлении AI-нюзинного дизайна.
Тем временем технические лидеры могут ориентироваться в неопределенности по сравнению с реляционным / адаптивным разделением, например, запустив Small, с одним вариантом использования и одной функцией A-A-A-A-A-A-A-A-A-Empaint, а не приняли решение по всей платформе. Затем измерьте результаты и позвольте успеху стимулировать расширение.
MongoDB развивается за пределы базы данных. В настоящее время это AI-платформа данных, которая обрабатывает не только хранение, но и векторный поиск, аналитику в реальном времени и масштабирование с мультикозом, что позволяет приложениям для инноваций на скорости AI. Узнайте больше и попробуйте.
Штаб -квартира в Нью -Йорке, MongoDB — это компания Data Data Platform, позволяющая новаторам создавать, трансформировать и разрушать отрасли, выпуская мощность программного обеспечения и данных. Узнайте больше последних из MongoDB Trending Stories YouTube.com/ThenewStack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Карин Лаурия-внештатный писатель с обширным опытом работы с высокотехнологичными компаниями предприятия. Она написана по широкому разнообразию тем, включая управление данными и базами данных, AI/мл, DevOps, непрерывную доставку, технологии с открытым исходным кодом, облачную инфраструктуру, оркестровку контейнеров, платформы SaaS, беспроводные системы, … Подробнее от Карин Лаурии
