Angela Lee

12 results

Fireworks AI and MongoDB: The Fastest AI Apps with the Best Models, Powered By Your Data

We’re happy to announce that Fireworks AI and MongoDB are now partnering to make innovating with generative AI faster, more efficient, and more secure. Fireworks AI was founded in late 2022 by industry veterans from Meta’s PyTorch team, where they focused on performance optimization, improving the developer experience, and running AI apps at scale. This post is also available in: Deutsch , Français , Español , Português , Italiano , 한국어 , 简体中文 . It’s this expertise that Fireworks AI brings to its production AI platform, curating and optimizing the industry's leading open models. Benchmarking by the company shows gen AI models running on Fireworks AI deliver up to 4x faster inference speeds than alternative platforms, with up to 8x higher throughput and scale. Models are one part of the application stack. But for developers to unlock the power of gen AI, they also need to bring enterprise data to those models. That’s why Fireworks AI has partnered with MongoDB, addressing one of the toughest challenges to adopting AI. With MongoDB Atlas , developers can securely unify operational data, unstructured data, and vector embeddings to safely build consistent, correct, and differentiated AI applications and experiences. Jointly, Fireworks AI and MongoDB provide a solution for developers who want to leverage highly curated and optimized open-source models, and combine these with their organization’s own proprietary data — and to do it all with unparalleled speed and security. Lightning-fast models from Fireworks AI: Enabling speed, efficiency, and value Developers can choose from many different models to build their gen AI-powered apps. Navigating the AI landscape to identify the most suitable models for specific tasks — and tuning them to achieve the best levels of price and performance — is complex and creates friction in building and running gen AI apps. This is one of the key pain points that Fireworks AI alleviates. With its lightning-fast inference platform, Fireworks AI curates, optimizes, and deploys 40+ different AI models. These optimizations can simultaneously result in significant cost savings , reduced latency , and improved throughput. Their platform delivers this via: Off-the-shelf models, optimized models, and add-ons: Fireworks AI provides a collection of top-quality text, embedding, and image foundation models . Developers can leverage these models or fine-tune and deploy their own, pairing them with their own proprietary data using MongoDB Atlas. Fine-tuning capabilities : To further improve model accuracy and speed, Fireworks AI also offers a fine-tuning service using its CLI to ingest JSON-formatted objects from databases such as MongoDB Atlas. Simple interfaces and APIs for development and production: The Fireworks AI playground allows developers to interact with models right in a browser. It can also be accessed programmatically via a convenient REST API. This is OpenAI API-compatible and thus interoperates with the broader LLM ecosystem. Cookbook: A simple and easy-to-use cookbook provides a comprehensive set of ready-to-use recipes that can be adapted for various use cases, including fine-tuning, generation, and evaluation. Fireworks AI and MongoDB: Setting the standard for AI with curated, optimized, and fast models With Fireworks AI and MongoDB Atlas, apps run in isolated environments ensuring uptime and privacy, protected by sophisticated security controls that meet the toughest regulatory standards: As one of the top open-source model API providers, Fireworks AI serves 66 billion tokens per day (and growing). With Atlas, you run your apps on a proven platform that serves tens of thousands of customers, from high-growth startups to the largest enterprises and governments. Together, the Fireworks AI and MongoDB joint solution enables: Retrieval-augmented generation (RAG) or Q&A from a vast pool of documents: Ingest a large number of documents to produce summaries and structured data that can then power conversational AI. Classification through semantic/similarity search: Classify and analyze concepts and emotions from sales calls, video conferences, and more to provide better intelligence and strategies. Or, organize and classify a product catalog using product images and text. Images to structured data extraction: Extract meaning from images to produce structured data that can be processed and searched in a range of vision apps — from stock photos, to fashion, to object detection, to medical diagnostics. Alert intelligence: Process large amounts of data in real-time to automatically detect and alert on instances of fraud, cybersecurity threats, and more. Figure 1: The Fireworks tutorial showcases how to bring your own data to LLMs with retrieval-augmented generation (RAG) and MongoDB Atlas Getting started with Fireworks AI and MongoDB Atlas To help you get started, review the Optimizing RAG with MongoDB Atlas and Fireworks AI tutorial, which shows you how to build a movie recommendation app and involves: MongoDB Atlas Database that indexes movies using embeddings. (Vector Store) A system for document embedding generation. We'll use the Fireworks embedding API to create embeddings from text data. (Vectorisation) MongoDB Atlas Vector Search responds to user queries by converting the query to an embedding, fetching the corresponding movies. (Retrieval Engine) The Mixtral model uses the Fireworks inference API to generate the recommendations. You can also use Llama, Gemma, and other great OSS models if you like. (LLM) Loading MongoDB Atlas Sample Mflix Dataset to generate embeddings (Dataset) We can also help you design the best architecture for your organization’s needs. Feel free to connect with your account team or contact us here to schedule a collaborative session and explore how Fireworks AI and MongoDB can optimize your AI development process. Head over to our quick-start guide to get started with Atlas Vector Search today.

March 26, 2024

Fireworks AI y MongoDB: las aplicaciones de IA más rápidas con los mejores modelos, impulsadas por sus datos

Nos complace anunciar que Fireworks AI y MongoDB ahora son socios para hacer que la innovación con IA Generativa sea más rápida, más eficiente y más segura. Fireworks AI fue fundada a finales de 2022 por veteranos de la industria del equipo PyTorch de Meta, donde se centraron en la optimización del rendimiento, la mejora de la experiencia del desarrollador y la ejecución de aplicaciones de IA a escala. Es esta la experiencia que Fireworks AI aporta a su plataforma de IA de producción, seleccionando y optimizando los modelos abiertos líderes de la industria. Las pruebas comparativas realizadas por la empresa demuestran que los modelos de IA Generativa que se ejecutan en Fireworks AI ofrecen velocidades de inferencia hasta 4 veces superiores a las de las plataformas alternativas, con un rendimiento y una escala hasta 8 veces superiores. Los modelos son una parte de la pila de aplicaciones. Pero para que los desarrolladores desbloqueen el poder de la IA Generativa, también deben incorporar datos empresariales a esos modelos. Es por eso que Fireworks AI se ha asociado con MongoDB, abordando uno de los desafíos más difíciles para la adopción de la IA. Con MongoDB Atlas , los desarrolladores pueden unificar de forma segura datos operativos, datos no estructurados e incrustaciones de vectores para crear de forma segura aplicaciones y experiencias de IA consistentes, correctas y diferenciadas. Conjuntamente, Fireworks AI y MongoDB proporcionan una solución para los desarrolladores que desean aprovechar modelos de código abierto altamente seleccionados y optimizados, y combinarlos con los datos patentados de su organización, y hacerlo todo con una velocidad y seguridad inigualables. Modelos ultrarrápidos de Fireworks AI: velocidad, eficacia y valor añadido Con su plataforma de inferencia ultrarrápida, Fireworks AI selecciona, optimiza e implementa más de 40 modelos diferentes de IA. Estas optimizaciones pueden suponer al mismo tiempo un importante ahorro de costos, una reducción de la latencia y una mejora del rendimiento. Su plataforma ofrece esto a través de: Modelos estándar, modelos optimizados y complementos: Fireworks AI proporciona una collection de modelos de texto, incrustación y base de imágenes de máxima calidad . Los desarrolladores pueden aprovechar estos modelos o afinar e implementar los suyos propios, emparejándolos con sus propios datos patentados mediante MongoDB Atlas. Capacidades de ajuste fino : Para mejorar aún más la precisión y velocidad del modelo, Fireworks AI también ofrece un servicio de ajuste fino utilizando su CLI para ingerir objetos con formato JSON de bases de datos como MongoDB Atlas. Interfaces y API simples para desarrollo y producción: El patio de juegos de Fireworks AI permite a los desarrolladores interactuar con modelos directamente en un navegador. También se puede acceder mediante programación a través de una conveniente REST API. Esto es compatible con la API de OpenAI y, por lo tanto, interopera con el ecosistema LLM más amplio. Manual: una guía simple y fácil de usar proporciona un conjunto completo de recetas listas para usar que se pueden adaptar para varios casos de uso, incluido el ajuste, la generación y la evaluación. Fireworks AI y MongoDB: cómo establecer el estándar para la IA con modelos seleccionados, optimizados y rápidos Con Fireworks AI y MongoDB Atlas, las aplicaciones se ejecutan en entornos aislados que garantizan el tiempo de actividad y la privacidad, protegidos por controles de seguridad sofisticados que cumplen con los estándares regulatorios más estrictos: Como uno de los principales proveedores de API de modelos de código abierto, Fireworks AI sirve a 66 mil millones de tokens por día (y sigue creciendo). Con Atlas, ejecuta sus aplicaciones en una plataforma probada que atiende a decenas de miles de clientes, desde startups de alto crecimiento hasta las empresas y gobiernos más grandes. Juntos, la solución conjunta de Fireworks AI y MongoDB permiten: Generación aumentada de recuperación (RAG) o preguntas y respuestas a partir de un amplio conjunto de documentos: procese una gran cantidad de documentos para producir resúmenes y datos estructurados que luego puedan impulsar la IA conversacional. Clasificación mediante búsqueda semántica/similar: clasifique y analice conceptos y emociones de llamadas de ventas, videoconferencias y mucho más para proporcionar mejor inteligencia y estrategias. O bien, organice y clasifique un catálogo de productos utilizando imágenes de productos y texto. Imágenes para extracción de datos estructurados: extraiga significado de las imágenes para producir datos estructurados que puedan procesarse y buscarse en una variedad de aplicaciones de visión, desde fotos de stock, moda, detección de objetos, hasta diagnósticos médicos. Inteligencia de alertas: procese grandes cantidades de datos en tiempo real para detectar y alertar automáticamente sobre instancias de fraude, amenazas de ciberseguridad y más. Figura 1: el tutorial de Fireworks muestra cómo llevar sus propios datos a los LLM con generación aumentada de recuperación (RAG) y MongoDB Atlas Primeros pasos con Fireworks AI y MongoDB Atlas Para ayudarte a comenzar, revisa la Optimización RAG con el tutorial de MongoDB Atlas y Fireworks AI , que te muestra cómo crear una aplicación de recomendación de películas e involucra la base de datos de MongoDB Atlas que indexa películas utilizando incrustaciones. (Almacén de vectores) Un sistema para la generación de incrustación de documentos. Usaremos la API de incrustación de Fireworks para crear incrustaciones a partir de datos de texto. (Vectorización) MongoDB Atlas Vector Search responde a las consultas de los usuarios convirtiendo la consulta en una incrustación y obteniendo las películas correspondientes. (Motor de recuperación) El modelo Mixtral utiliza la API de inferencia de Fireworks para generar las recomendaciones. También puede usar Llama, Gemma y otros excelentes modelos de OSS si lo desea. (LLM) Cargar el conjunto de datos Mflix de muestra de MongoDB Atlas para generar incrustaciones (conjunto de datos) También podemos ayudarle a diseñar la mejor arquitectura para las necesidades de su organización. No dude en comunicarse con su equipo de cuentas o póngase en contacto con nosotros aquí para programar una sesión de colaboración y explorar cómo Fireworks AI y MongoDB pueden optimizar su proceso de desarrollo de IA.

March 26, 2024

Fireworks AI et MongoDB : les applications d'IA les plus rapides avec les meilleurs modèles, alimentées par vos données

Nous sommes heureux d'annoncer que Fireworks AI et MongoDB s'associent désormais pour rendre l'innovation avec l'IA générative plus rapide, plus efficace et plus sûre. Fireworks AI a été fondée fin 2022 par des experts de l'équipe PyTorch de Meta, qui se sont concentrés sur l'optimisation des performances, l'amélioration de l'expérience des développeurs et l'exécution d'applications d'IA à grande échelle. C'est cette expertise que Fireworks AI apporte à sa plateforme d'IA de production, en conservant et en optimisant les principaux modèles ouverts du secteur. Les analyses comparatives réalisées par l'entreprise révèlent que les modèles d'IA générative fonctionnant sur Fireworks AI offrent des vitesses d'inférence jusqu'à quatre fois supérieures à celles des plateformes alternatives, avec un débit et une échelle jusqu'à huit fois plus élevés. Les modèles constituent une partie de la pile d'applications. Mais pour que les développeurs puissent exploiter la puissance de l'IA générique, ils doivent également intégrer les données de l'entreprise à ces modèles. C'est pourquoi Fireworks AI s'est associé à MongoDB pour relever l'un des plus grands défis de l'adoption de l'IA. Avec MongoDB Atlas , les développeurs peuvent unifier en toute sécurité les données opérationnelles, les données non structurées et les données vectorielles pour créer des applications et des expériences d'IA cohérentes, précises et différenciées. Ensemble, Fireworks AI et MongoDB offrent une solution aux développeurs qui souhaitent exploiter des modèles open source hautement spécialisés et optimisés, et les combiner avec les données propriétaires de leur organisation, le tout avec une rapidité et une sécurité inégalées. Modèles ultra-rapides de Fireworks AI : alliant rapidité, efficacité et valeur Grâce à sa plateforme d’inférence ultra-rapide, Fireworks AI organise, optimise et déploie plus de 40 modèles d’IA différents. Ces optimisations peuvent simultanément entraîner des économies de coûts significatives, une latence réduite et un débit amélioré. Leur plateforme offre cela via : Des modèles prêts à l'emploi, des modèles optimisés et des modules complémentaires : Fireworks AI propose une collection de modèles de qualité supérieure pour le texte, l'intégration et les fondations d'images . Les développeurs peuvent exploiter ces modèles ou affiner et déployer les leurs, en les associant à leurs propres données à l'aide de MongoDB Atlas. Des capacités d'affinage  : pour améliorer encore la précision et la rapidité des modèles, Fireworks AI propose également un service d'affinage utilisant son CLI pour ingérer des objets au format JSON à partir de bases de données telles que MongoDB Atlas. Des interfaces et des API simples pour le développement et la production : Fireworks AI permet aux développeurs d'interagir avec les modèles directement dans un navigateur. Il est également accessible par programme via une API REST pratique. Elle est compatible avec l'API OpenAI et interagit donc avec l'écosystème LLM plus large. Un livre de cuisine : un livre de recettes simple et facile à utiliser fournit un ensemble complet de recettes prêtes à l'emploi qui peuvent être adaptées à différents cas d'utilisation, y compris l'affinage, la génération et l'évaluation. Fireworks AI et MongoDB : établir la norme pour l'IA avec des modèles organisés, optimisés et rapides Avec Fireworks AI et MongoDB Atlas, les applications s'exécutent dans des environnements isolés garantissant la disponibilité et la confidentialité, protégées par des contrôles de sécurité sophistiqués qui répondent aux normes réglementaires les plus strictes : Fireworks AI est l'un des principaux fournisseurs d'API de modèles open source et gère 66 milliards de jetons par jour (et ce chiffre ne cesse de croître). Avec Atlas, vous exécutez vos applications sur une plateforme éprouvée qui sert des dizaines de milliers de clients, des startups à forte croissance aux plus grandes entreprises et gouvernements. Ensemble, la solution conjointe Fireworks AI et MongoDB offre : Une génération augmentée de récupération (RAG) ou des questions-réponses à partir d'un vaste ensemble de documents : l'ingestion d'un grand nombre de documents permet de produire des résumés et des données structurées qui peuvent ensuite alimenter l'IA conversationnelle. Une classification grâce à la recherche sémantique/de similarité : classifie et analyse les concepts et les émotions issus des appels de vente, des vidéoconférences, etc. afin d'améliorer les informations et les stratégies. Ou encore, organise et classe un catalogue de produits à l'aide d'images et de textes. Une extraction de données structurées à partir d'images : extrait le sens des images pour produire des données structurées qui peuvent être traitées et recherchées dans une gamme d'applications visuelles. Des photos de stock à la mode, en passant par la détection d'objets et les diagnostics médicaux. Une alerte intelligente : traite de grandes quantités de données en temps réel pour détecter et alerter automatiquement les cas de fraude, les menaces de cybersécurité, etc. Figure 1 : le tutoriel Fireworks montre comment apporter vos propres données aux LLM avec la génération augmentée de récupération (RAG) et Atlas MongoDB. Prise en main de Fireworks AI et MongoDB Atlas Pour vous aider à vous lancer, découvrez le tutoriel Optimiser la RAG avec MongoDB Atlas et Fireworks AI , qui vous montre comment créer une application de recommandation de films et implique la base de données MongoDB Atlas qui indexe les films à l'aide d'intégrations. (Vector Store) Système de génération d'intégration de documents. Nous utiliserons l'API Fireworks pour créer des intégrations à partir de données textuelles. (Vectorisation) MongoDB Atlas Vector Search répond aux requêtes des utilisateurs en convertissant la requête en une image et en récupérant les films correspondants. (Moteur de récupération) Le modèle Mixtral utilise l'API d'inférence Fireworks pour générer les recommandations. Vous pouvez également utiliser Llama, Gemma et d'autres grands modèles OSS si vous le souhaitez. (LLM) Chargement de la base de données MongoDB Atlas Sample Mflix Dataset pour générer des intégrations (Dataset) Nous pouvons également vous aider à concevoir l'architecture la mieux adaptée aux besoins de votre organisation. N'hésitez pas à contacter votre équipe ou à nous contacter ici pour planifier une session de collaboration et découvrir comment Fireworks AI et MongoDB peuvent optimiser votre processus de développement de l'IA.

March 26, 2024

Fireworks AI e MongoDB: le app IA più veloci con i migliori modelli, alimentate dai tuoi dati

Siamo lieti di annunciare che Fireworks AI e MongoDB stanno ora diventando partner per rendere l'innovazione con l'IA generativa più veloce, più efficiente e più sicura. Fireworks AI è stata fondata alla fine del 2022 da veterani del settore provenienti dal team PyTorch di Meta, dove si sono concentrati sull'ottimizzazione delle prestazioni, sul miglioramento dell'esperienza degli sviluppatori e sull'esecuzione di applicazioni IA su larga scala. È questa competenza che Fireworks AI apporta alla sua piattaforma di produzione IA, curando e ottimizzando i principali modelli aperti del settore. Il benchmarking dell'azienda mostra che i modelli di IA generativa in esecuzione su Fireworks AI offrono velocità di inferenza fino a 4 volte maggiori rispetto alle piattaforme alternative, con throughput e scalabilità fino a 8 volte superiori. I modelli fanno parte dello stack dell'applicazione. Ma per sbloccare la potenza dell'IA generativa, gli sviluppatori devono anche portare i dati aziendali in quei modelli. Ecco perché Fireworks AI è diventato partner di MongoDB, affrontando una delle sfide più difficili per l'adozione dell'IA. Con MongoDB Atlas , gli sviluppatori possono unificare in sicurezza i dati operativi, i dati non strutturati e gli incorporamenti vettoriali, per creare in modo sicuro applicazioni ed esperienze IA coerenti, corrette e differenziate. Insieme, Fireworks AI e MongoDB offrono una soluzione per gli sviluppatori che desiderano sfruttare modelli open-source altamente curati e ottimizzati e combinarli con i dati proprietari della propria organizzazione, il tutto con una velocità e una sicurezza senza precedenti. Modelli velocissimi di Fireworks AI: velocità, efficienza e valore garantiti Grazie alla sua velocissima piattaforma di inferenza, Fireworks AI cura, ottimizza e distribuisce oltre 40 diversi modelli di IA. Queste ottimizzazioni possono portare contemporaneamente a notevoli risparmi sui costi, a una riduzione della latency e a un miglioramento del throughput. La loro piattaforma fornisce questo tramite: Modelli standard, modelli ottimizzati e componenti aggiuntivi: Fireworks AI fornisce una collection di modelli di testo, incorporamento e base di immagini di alta qualità . Gli sviluppatori possono sfruttare questi modelli o perfezionare e distribuire i propri, abbinandoli ai propri dati proprietari utilizzando MongoDB Atlas. Funzionalità di ottimizzazione : per migliorare ulteriormente la precisione e la velocità del modello, Fireworks AI offre anche un servizio di ottimizzazione utilizzando la sua CLI per acquisire oggetti in formato JSON da database come MongoDB Atlas. Interfacce e API semplici per lo sviluppo e la produzione: il playground Fireworks AI consente agli sviluppatori di interagire con i modelli direttamente in un browser. È anche possibile accedervi a livello di programmazione tramite una comoda REST API. Questo è compatibile con l'API OpenAI e quindi interagisce con l'ecosistema LLM più ampio. Cookbook: un cookbook semplice e facile da usare fornisce un set completo di ricette pronte all'uso che possono essere adattate a vari casi d'uso, tra cui la messa a punto, la generazione e la valutazione. Fireworks AI e MongoDB: definizione dello standard per l'IA con modelli curati, ottimizzati e veloci Con Fireworks AI e MongoDB Atlas, le app vengono eseguite in ambienti isolati garantendo tempi di attività e privacy, protetti da sofisticati controlli di sicurezza che soddisfano gli standard normativi più severi: Essendo uno dei principali fornitori di API di modelli open source, Fireworks AI serve 66 miliardi di token al giorno (e oltre). Con Atlas, esegui le tue app su una piattaforma collaudata che serve decine di migliaia di clienti, dalle startup in forte crescita alle più grandi aziende e governi. Insieme, la soluzione congiunta Fireworks AI e MongoDB consente: RAG o Q&A da un vasto bacino di documenti: ingerisci un gran numero di documenti per produrre sintesi e dati strutturati che possono poi alimentare l'IA conversazionale. Classificazione tramite ricerca semantica/somiglianza: classifica e analizza concetti ed emozioni provenienti da chiamate di vendita, videoconferenze e altro per fornire informazioni e strategie migliori. Oppure, organizza e classifica un catalogo di prodotti utilizzando immagini e testo. Estrazione da immagini a dati strutturati: estrai significato dalle immagini per produrre dati strutturati che possono essere elaborati e ricercati in una vasta gamma di app per la visione: dalle foto stock, alla moda, al rilevamento di oggetti, alla diagnostica medica. Intelligence sugli avvisi: elabora grandi quantità di dati in tempo reale per rilevare e avvisare automaticamente su casi di frode, minacce alla sicurezza informatica e altro ancora. Figura 1: Il tutorial di Fireworks mostra come trasferire i propri dati su LLM con retrieval-augmented generation (RAG) e MongoDB Atlas Introduzione a Fireworks AI e MongoDB Atlas Per aiutarti a iniziare, consulta il tutorial IA " Ottimizzazione RAG con MongoDB Atlas e Fireworks AI ", che mostra come creare un'app per consigliare film e prevede: MongoDB Atlas Database che indicizza i film utilizzando gli incorporamenti. (Archivio vettoriale) Un sistema per la generazione di incorporamenti di documenti. Utilizzeremo l'API di incorporamento di Fireworks per creare incorporamenti da dati di testo. (Vettorializzazione) MongoDB Atlas Vector Search risponde alle domande degli utenti convertendo la query in un incorporamento, recuperando i filmati corrispondenti. (Motore di recupero) Il modello Mixtral utilizza l'API di inferenza di Fireworks per generare i consigli. È possibile anche usare anche Llama, Gemma e altri fantastici modelli OSS. (LLM) Caricamento del set di dati Mflix di esempio di MongoDB Atlas per generare incorporamenti (set di dati) Possiamo anche aiutarti a progettare la migliore architettura per le esigenze della tua organizzazione. Mettiti in contatto con il team del tuo account o contattaci qui per programmare una sessione collaborativa ed esplorare come Fireworks AI e MongoDB possono ottimizzare il tuo processo di sviluppo dell'IA.

March 26, 2024

Fireworks AI e MongoDB: os aplicativos de IA mais rápidos com os melhores modelos, alimentados por seus dados

Temos o prazer de anunciar que o Fireworks AI e o MongoDB estão se unindo para tornar a inovação com IA generativa mais rápida, eficiente e segura. O Fireworks AI foi fundado no final de 2022 por veteranos do setor e integrantes da equipe PyTorch da Meta que se concentraram na otimização do desempenho, na melhoria da experiência do desenvolvedor e na execução de aplicativos de IA em grande escala. É essa experiência que o Fireworks AI traz para sua plataforma de IA de produção, selecionando e otimizando os principais modelos abertos do setor. O benchmarking da empresa mostra que os modelos de IA generativa executados no Fireworks AI operam com velocidades de inferência até 4 vezes mais rápidas do que as plataformas alternativas, com taxa de transferência e escala até 8 vezes maiores. Os modelos são uma parte da pilha de aplicação. No entanto, para que os desenvolvedores possam desbloquear o poder da IA generativa, eles também precisam trazer dados corporativos para esses modelos. É por isso que o Fireworks AI fez uma parceria com o MongoDB, abordando um dos desafios mais difíceis para a adoção da IA. Com o MongoDB Atlas , os desenvolvedores podem unificar com segurança dados operacionais, dados não estruturados e incorporações vetoriais para criar com segurança aplicações e experiências de IA consistentes, corretas e diferenciadas. Juntos, o Fireworks AI e o MongoDB oferecem uma solução para desenvolvedores que desejam aproveitar modelos de código aberto altamente selecionados e otimizados e combiná-los com os dados proprietários da própria organização – e fazer tudo isso com velocidade e segurança incomparáveis. Modelos ultrarrápidos do Fireworks AI: permitindo velocidade, eficiência e valor Com plataforma de inferência ultrarrápida, o Fireworks AI seleciona, otimiza e implanta mais de 40 modelos diferentes de IA. Essas otimizações podem resultar simultaneamente em economia significativa de custos, latência reduzida e taxa de transferência aprimorada. A plataforma oferece isso por meio de: Modelos prontos para uso, modelos otimizados e complementos: o Fireworks AI fornece uma coleção de modelos de base de texto, incorporação e imagem de alta qualidade . Os desenvolvedores podem aproveitar esses modelos ou ajustar e implantar os seus próprios, combinando-os com seus dados proprietários por meio do MongoDB Atlas. Recursos de ajuste fino : para melhorar ainda mais a precisão e a velocidade do modelo, o Fireworks AI também oferece um serviço de ajuste fino usando sua CLI para ingerir objetos formatados em JSON de bancos de dados como o MongoDB Atlas. Interfaces e API simples para desenvolvimento e produção: o playground do Fireworks AI permite que desenvolvedores interajam com modelos diretamente no navegador. Ele também pode ser acessado de forma programática por meio de uma REST API conveniente. Isso é compatível com a API OpenAI e, portanto, interopera com o ecossistema LLM mais amplo. Livro de receitas: um livro de receitas simples e fácil de usar que fornece um conjunto amplo de receitas prontas para uso que podem ser adaptadas para vários casos de uso, incluindo ajuste fino, geração e avaliação. Fireworks AI e MongoDB: definindo o padrão para IA com modelos selecionados, otimizados e rápidos Com o Fireworks AI e o MongoDB Atlas, os aplicativos são executados em ambientes isolados, garantindo tempo de atividade e privacidade, protegidos por controles de segurança sofisticados que atendem aos padrões regulatórios mais rígidos: Como um dos principais fornecedores de API de modelo de código aberto, o Fireworks AI fornece 66 bilhões de tokens por dia (e esse número só cresce). Com o Atlas, você executa seus aplicativos em uma plataforma comprovada que atende a dezenas de milhares de clientes, desde startups de alto crescimento até as maiores empresas e governos. Juntas, a solução conjunta do Fireworks AI e do MongoDB permite: RAG ou perguntas e respostas a partir de um vasto conjunto de documentos: ingerir inúmeros documentos para produzir resumos e dados estruturados que podem alimentar a IA conversacional. Classificação por meio de pesquisa semântica/similaridade: classifique e analise conceitos e emoções de chamadas de vendas, videoconferências e muito mais para garantir inteligência e estratégias melhores. Ou organize e classifique um catálogo de produtos usando imagens e texto do produto. Imagens para extração de dados estruturados: extraia o significado das imagens para produzir dados estruturados que possam ser processados e pesquisados em uma variedade de aplicativos de visão – de fotos de banco de imagens à moda, detecção de objetos e diagnósticos médicos. Inteligência de alerta: processe grandes quantidades de dados em tempo real para detectar e alertar automaticamente sobre casos de fraude, ameaças à segurança cibernética e muito mais. Figura 1: o tutorial do Fireworks mostra como trazer seus próprios dados para LLMs com o RAG e o MongoDB Atlas Introdução ao Fireworks AI e ao MongoDB Atlas Para ajudar você a começar, analise o tutorial Otimizando o RAG com o MongoDB Atlas e o Fireworks AI , que mostra como criar um aplicativo de recomendação de filmes e envolve Banco de dados MongoDB Atlas que indexa filmes usando incorporações. (Vector Store) Um sistema para geração de incorporação de documentos. Usaremos a API de incorporação do Fireworks para criar incorporações a partir de dados de texto. (Vetorização) O MongoDB Atlas Vector Search responde às consultas do usuário convertendo a consulta em uma incorporação, buscando os filmes correspondentes. (Mecanismo de recuperação) O modelo Mixtral usa a API de inferência do Fireworks para gerar as recomendações. Você também pode usar o Llama, o Gemma e outros modelos OSS excelentes, se desejar. (LLM) Carregando o conjunto de dados Mflix de amostra do MongoDB Atlas para gerar incorporações (conjunto de dados) Também podemos ajudar você a projetar a melhor arquitetura de acordo com necessidades da sua organização. Sinta-se à vontade para entrar em contato com a equipe responsável pela sua conta ou entre em contato com a gente por aqui para agendar uma sessão colaborativa e explorar como o Fireworks AI e o MongoDB podem otimizar seu processo de desenvolvimento de IA.

March 26, 2024

Fireworks AI 및 MongoDB: 데이터를 기반으로 하는 최고의 모델을 갖춘 가장 빠른 AI 앱

Fireworks AI 와 MongoDB가 더 빠르고, 더 효율적이고, 더 안전한 생성형 인공지능을 통한 혁신을 실현하기 위해 파트너십을 맺었음을 알려드립니다. Meta의 PyTorch 팀 출신의 업계 베테랑들이 2022년 말에 설립한 Fireworks AI는 성능 최적화, 개발자 경험 개선, 대규모 AI 앱 실행에 중점을 두고 있습니다. Fireworks AI는 이러한 전문성을 바탕으로 업계 최고의 개방형 모델을 큐레이팅하고 최적화하여 프로덕션 AI 플랫폼에 적용하고 있습니다. 이 회사의 벤치마킹에 따르면 Fireworks AI에서 실행되는 생성형 인공지능 모델은 다른 플랫폼에 비해 최고 4배 빠른 추론 속도와 최대 8배 더 높은 처리량과 확장성을 제공합니다. 모델은 애플리케이션 스택에 포함되어 있습니다. 그러나 생성형 인공지능의 성능을 활용하려면 개발자가 해당 모델에 엔터프라이즈 데이터를 가져와야 합니다. 바로 이것이 Fireworks AI가 MongoDB와 파트너십을 맺고 AI 도입의 가장 어려운 과제 중 하나를 해결한 이유입니다. 개발자는 MongoDB Atlas 를 통해 운영 데이터, 비정형 데이터, 벡터 임베딩을 안전하게 통합하여 일관되고 정확하며 차별화된 AI 애플리케이션과 경험을 안전하게 구축할 수 있습니다. Fireworks AI와 MongoDB는 고도로 선별되고 최적화된 오픈 소스 모델을 활용하고, 이를 조직의 독점 데이터와 결합하고자 하는 개발자를 위한 솔루션을 제공하며, 이 모든 작업을 탁월한 속도와 보안으로 수행할 수 있도록 공동으로 지원합니다. Fireworks AI의 초고속 모델: 속도, 효율성, 가치 실현 Fireworks AI는 초고속 추론 플랫폼을 통해 40개 이상의 다양한 AI 모델을 큐레이팅, 최적화 및 배포합니다. 이러한 최적화 덕에 상당한 비용 절감, 지연 시간 단축, 처리량 향상을 동시에 달성할 수 있습니다. 플랫폼이 이를 실현하는 방법은 다음과 같습니다. 기성 모델, 최적화된 모델 및 추가 기능: Fireworks AI는 최고 품질의 텍스트, 임베딩 및 이미지 기반 모델 컬렉션을 제공합니다 . 개발자는 이러한 모델을 활용하거나 자체 모델을 미세 조정하여 배포할 수 있으며, MongoDB Atlas를 사용해 자체 독점 데이터와 페어링할 수 있습니다. 미세 조정 기능 : Fireworks AI는 모델 정확도와 속도를 더욱 향상하기 위해 CLI를 사용하여 MongoDB Atlas와 같은 데이터베이스에서 JSON 형식의 개체를 수집하는 미세 조정 서비스도 제공합니다. 개발 및 제작을 위한 간단한 인터페이스와 API: 개발자는 Fireworks AI 플레이그라운드를 통해 브라우저에서 직접 모델과 상호 작용할 수 있습니다. 또는 편리한 REST API를 통해 프로그래밍 방식으로 액세스할 수도 있습니다. 이는 OpenAI API와 호환되므로 광범위한 LLM 에코시스템과 상호 운용됩니다. 쿡북: 간단하고 사용하기 쉬운 쿡북은 미세 조정, 생성, 평가 등 다양한 사용 사례에 바로 사용할 수 있는 포괄적인 레시피 세트를 제공합니다. Fireworks AI 및 MongoDB: 엄선되고 최적화된 빠른 모델로 AI의 표준을 정립합니다. Fireworks AI와 MongoDB Atlas를 사용하면 앱이 가장 엄격한 규제 표준을 충족하는 정교한 보안 제어로 보호되는 격리 환경에서 실행되므로 가동 시간과 개인정보 보호가 보장됩니다. 최고의 오픈소스 모델 API 제공업체 중 하나인 Fireworks AI는 하루에 660억 개의 토큰을 제공하며, 그 수는 계속 증가하고 있습니다. Atlas를 사용하면 고성장 스타트업부터 엔터프라이즈 및 정부 기관에 이르기까지 수만 명의 고객에게 서비스를 제공하는 검증된 플랫폼에서 앱을 실행할 수 있습니다. Fireworks AI와 MongoDB 공동 솔루션을 함께 사용하면 다음과 같은 이점을 얻을 수 있습니다. 방대한 문서 풀에서 검색 증강 생성(RAG) 또는 Q&A 수행: 대량의 문서를 수집하여 요약 및 구조화된 데이터를 생성한 다음 대화형 AI를 강화할 수 있습니다. 시맨틱/유사성 검색을 통한 분류: 영업 통화, 화상 회의 등에서 소개된 개념과 감정을 분류하고 분석하여 더 나은 인텔리전스와 전략을 제공할 수 있습니다. 또는 제품 이미지와 텍스트를 사용하여 제품 카탈로그를 구성하고 분류할 수 있습니다. 이미지에서 구조화된 데이터 추출: 이미지에서 의미를 추출하여 스톡 사진, 패션, 물체 감지, 의료 진단 등 다양한 비전 앱에서 처리 및 검색할 수 있는 구조화된 데이터를 생성합니다. 경고 인텔리전스: 대량의 데이터를 실시간으로 처리하여 사기, 사이버 보안 위협 등의 인스턴스를 자동으로 탐지하고 경고합니다. 그림 1: 검색 증강 생성(RAG) 및 MongoDB Atlas를 사용하여 자체 데이터를 거대 언어 모델로 가져오는 방법을 보여주는 Fireworks 튜토리얼. Fireworks AI 및 MongoDB Atlas 시작하기 임베딩을 사용하여 영화를 색인하는 MongoDB Atlas 데이터베이스와 영화 추천 앱을 구축하는 방법을 보여주는 MongoDB Atlas 및 Fireworks AI 튜토리얼을 통해 RAG 최적화를 검토하여 시작해 보세요. (벡터 저장소) 문서 임베딩 생성을 위한 시스템입니다. Fireworks 임베딩 API를 사용하여 텍스트 데이터에서 임베딩을 생성합니다. (벡터화) MongoDB Atlas Vector Search 는 쿼리를 임베딩으로 변환하여 해당 동영상을 가져오는 방식으로 사용자 쿼리에 응답합니다. (검색 엔진) Mixtral 모델은 Fireworks 추론 API를 사용하여 추천을 생성합니다. 원하는 경우 Llama, Gemma 및 다른 우수한 OSS 모델을 사용할 수도 있습니다. (LLM) MongoDB Atlas 샘플 Mflix 데이터 세트를 로드하여 임베딩 생성(데이터 세트) 또한 조직의 요구 사항에 가장 적합한 아키텍처를 설계할 수 있도록 도와드릴 수 있습니다. 언제든지 계정 팀에 문의하거나 여기를 클릭하여 공동 작업 세션을 예약하고, Fireworks AI와 MongoDB가 AI 개발 프로세스를 어떻게 최적화할 수 있는지 알아보세요 .

March 26, 2024

Fireworks AI 和 MongoDB：依托您的数据，借助优质模型，助力您开发高速 AI 应用

我们欣然宣布，MongoDB 与 Fireworks AI 正携手合作，让客户能够利用生成式人工智能 (AI)，更快速、更高效、更安全地开展创新活动。Fireworks AI 由 Meta 旗下 PyTorch 团队的行业资深人士于 2022 年底创立，他们在团队中主要负责优化性能、提升开发者体验以及大规模运行 AI 应用。 Fireworks AI 将这些专业知识运用于自己的生产 AI 平台，从而整理并优化了业界优质的开放模型。该公司进行了基准测试，结果表明，在 Fireworks AI 上运行的生成式 AI 模型的推断速度比其他同类平台快 4 倍，吞吐量和规模高出多达 8 倍。 模型属于应用程序堆栈的一部分。然而，开发者要想发挥生成式人工智能的力量，还需要将企业数据引入这些模型中。这正是企业采用 AI 时所面临的一大棘手问题，也是 Fireworks AI 与 MongoDB 开展合作的原因。借助 MongoDB Atlas ，开发者可以安全地将运营数据、非结构化数据和向量嵌入进行统一，从而安全打造一致、正确和差异化的 AI 应用程序和体验。 Fireworks AI 和 MongoDB 强强联手，精心整理并优化了各种开源模型，为想要结合企业自身专有数据使用这些模型的开发者提供了解决方案，并且能够快速安全地实现这一切。 Fireworks AI 提供快如闪电的模型：将速度、效率和价值“一网打尽” Fireworks AI 凭借快如闪电的推断平台，整理、优化并部署了 40 多种不同的 AI 模型。这些优化措施可以同时节省大量成本、减少延迟、提高吞吐量。他们的平台通过以下方式实现这些效果： 现成模型、优化模型和插件： Fireworks AI 提供一系列 高质量的文本、嵌入和图像基础模型 。开发者可以利用这些模型或者对其进行微调，然后部署自己的模型，再借助 MongoDB Atlas 将自己的专有数据引入模型。 微调功能： 为了进一步提高模型的准确性和速度，Fireworks AI 还提供了微调服务，该服务可利用命令行界面 (CLI) 从 MongoDB Atlas 等数据库中摄取采用 JSON 格式的对象。 用于开发和生产的各种简易界面和 API： Fireworks AI Playground 可让开发者直接在浏览器中与模型进行交互，而且支持通过方便的 REST API 以编程方式进行访问。Fireworks AI Playground 与 OpenAI API 兼容，因此可以与更广泛的大型语言模型 (LLM) 生态系统进行互操作。 使用指南： 这份指南简单易用 ，提供了一套全面的即用型解决方案，可以满足包括微调、生成和评估在内的各种应用场景。 Fireworks AI 和 MongoDB：通过整理和优化快速的模型为 AI 设定标准 借助 Fireworks AI 和 MongoDB Atlas，应用可在隔离的环境中运行，在符合最严格监管标准的复杂安全控制措施保护下，确保正常运行时间和数据的私密性： 作为优秀的开源模型 API 提供商，Fireworks AI 每天提供 660 亿个词元（并且数量还在不断增长）。 您可以在久经考验的 Atlas 平台上运行 App，该平台为数以万计的客户提供服务，其中不乏高增长的初创公司和规模庞大的企业和政府。 Fireworks AI 和 MongoDB 联合解决方案可以实现以下功能： 基于大量文档进行检索增强生成 (RAG) 或问答 (Q&A)： 摄入大量文档，生成摘要和结构化数据，从而为对话式 AI 提供支持。 通过语义/相似性搜索进行分类： 对来自销售电话、视频会议等事件中的概念和情绪进行分类和分析，以提供更好的情报和策略。或者，使用产品图片和文字对产品目录进行整理和分类。 从图像中提取结构化数据： 从图像中提取有意义的内容，生成可在库存照片、时尚、物体检测、医疗诊断应用等一系列视觉应用中处理和搜索的结构化数据。 智能警报： 实时处理大量数据，自动检测欺诈、网络安全威胁等活动并发出警报。 图 1： Fireworks 教程展示了如何使用 RAG 和 MongoDB Atlas 将自己的数据引入 LLM 上手使用 Fireworks AI 和 MongoDB Atlas 为了帮助您上手使用 Fireworks AI 和 MongoDB Atlas，请查看《 使用 MongoDB Atlas 和 Fireworks AI 优化 RAG 》的教程，该教程向您展示了如何构建电影推荐应用，其中涉及 使用嵌入对电影进行索引的 MongoDB Atlas 数据库 。（向量存储） 文档嵌入生成系统。我们将使用 Fireworks 嵌入 API 从文本数据中创建嵌入。（向量化） MongoDB Atlas Vector Search 通过将查询转换为嵌入来获取对应的电影，进而响应用户查询。（检索引擎） Mixtral 模型使用 Fireworks 推断 API 来生成推荐建议。如果您愿意，您还可以使用 Llama、Gemma 和其他出色的开源软件 (OSS) 模型。(LLM) 加载 MongoDB Atlas 示例 Mflix 数据集以生成嵌入 （数据集） 我们还可以帮助您设计最符合贵组织需求的架构。请随时与您的客户团队联系，或 在此联系我们 为您安排一次协作会议，共同探讨 Fireworks AI 和 MongoDB 如何能够优化您的 AI 开发流程。

March 26, 2024

Fireworks AI und MongoDB: Die schnellsten KI-Apps mit den besten Modellen, angetrieben von Ihren Daten

Wir freuen uns, ankündigen zu können, dass Fireworks AI und MongoDB jetzt zusammenarbeiten, um Innovationen mit generativer KI schneller, effizienter und sicherer zu machen. Fireworks AI wurde Ende 2022 von Branchenexperten aus dem PyTorch-Team von Meta gegründet, wo sie sich auf die Optimierung der Leistung, die Verbesserung des Entwicklererlebnisses und den Betrieb von KI-Apps in großem Maßstab konzentrierten. Dieses Fachwissen bringt Fireworks AI in seine KI-Plattform für die Produktion ein und kuratiert und optimiert die führenden offenen Modelle der Branche. Benchmarking durch das Unternehmen zeigt, dass generative KI-Modelle, die auf Fireworks AI laufen, bis zu 4x schnellere Inferenzen liefern als alternative Plattformen, mit bis zu 8x höherem Durchsatz und Skalierung. Modelle sind ein Teil des Anwendungsstacks. Aber damit Entwickler die Möglichkeiten der generativen KI ausschöpfen können, müssen sie auch Unternehmensdaten in diese Modelle einbringen. Aus diesem Grund hat sich Fireworks AI mit MongoDB zusammengetan, um eine der größten Herausforderungen bei der Einführung von KI zu bewältigen. Mit MongoDB Atlas können Entwickler operative Daten, unstrukturierte Daten und Vektoreinbettungen sicher zusammenführen, um konsistente, korrekte und differenzierte KI-Anwendungen und -Erlebnisse zu erstellen. Gemeinsam bieten Fireworks AI und MongoDB eine Lösung für Entwickler, die hochgradig kuratierte und optimierte Open-Source-Modelle nutzen und diese mit den unternehmenseigenen Daten kombinieren möchten – und das alles mit unvergleichlicher Geschwindigkeit und Sicherheit. Blitzschnelle Modelle von Fireworks AI: Geschwindigkeit, Effizienz und Mehrwert Mit seiner blitzschnellen Inferenzplattform kuratiert, optimiert und verwendet Fireworks AI über 40 verschiedene KI-Modelle. Diese Optimierungen können gleichzeitig zu erheblichen Kosteneinsparungen, reduzierten Latenzen und verbessertem Durchsatz führen. Ihre Plattform stellt dies bereit über: Standardmodelle, optimierte Modelle und Add-Ons: Fireworks AI bietet eine Collection erstklassiger Text-, Einbettungs- und Bildgrundmodelle . Entwickler können diese Modelle nutzen oder ihre eigenen Modelle anpassen und einsetzen, indem sie sie mit ihren eigenen Daten über MongoDB Atlas verknüpfen. Fähigkeiten zur Feinabstimmung : Um die Modellgenauigkeit und -geschwindigkeit weiter zu verbessern, bietet Fireworks AI auch einen Feinabstimmungsdienst, der seine CLI nutzt, um JSON-formatierte Objekte aus Datenbanken wie MongoDB Atlas aufzunehmen. Einfache Schnittstellen und APIs für Entwicklung und Produktion: Der Fireworks AI-Spielplatz ermöglicht es Entwicklern, direkt im Browser mit Modellen zu interagieren. Der Zugriff kann auch programmatisch über eine praktische REST-API erfolgen. Dies ist OpenAI-API-kompatibel und interagiert somit mit der breiteren LLM-Umgebung. Kochbuch: Ein einfaches und benutzerfreundliches Kochbuch bietet einen umfassenden Satz gebrauchsfertiger Rezepte, die für verschiedene Anwendungsfälle angepasst werden können, einschließlich Feinabstimmung, Erstellung und Auswertung. Fireworks AI und MongoDB: Setzen Sie mit kuratierten, optimierten und schnellen Modellen den Standard für KI Mit Fireworks AI und MongoDB Atlas werden Apps in isolierten Umgebungen ausgeführt, die Betriebszeit und Datenschutz gewährleisten und durch ausgefeilte Sicherheitskontrollen geschützt sind, die den strengsten gesetzlichen Standards entsprechen: Als einer der führenden Anbieter von Open-Source-Modell-APIs bedient Fireworks AI 66 Milliarden Token pro Tag (Tendenz steigend). Mit Atlas betreiben Sie Ihre Apps auf einer bewährten Plattform, die Zehntausende von Kunden bedient, von wachstumsstarken Startups bis hin zu den größten Unternehmen und Regierungen. Zusammen ermöglicht die gemeinsame Lösung von Fireworks AI und MongoDB: Retrieval-augmented Generation (RAG) oder Q&A aus einem riesigen Pool von Dokumenten: Erfassen Sie eine große Anzahl von Dokumenten, um Zusammenfassungen und strukturierte Daten zu erstellen, die dann als Grundlage für KI dienen können. Klassifizierung durch semantische Suche/Ähnlichkeitssuche: Klassifizieren und analysieren Sie Konzepte und Emotionen aus Verkaufsgesprächen, Videokonferenzen und mehr, um bessere Informationen und Strategien zu erhalten. Oder organisieren und klassifizieren Sie einen Produktkatalog mit Produktbildern und Text. Extraktion von Bildern in strukturierte Daten: Extrahieren Sie Bedeutungen aus Bildern, um strukturierte Daten zu erzeugen, die in einer Reihe von Bildverarbeitungs-Apps verarbeitet und durchsucht werden können – von Bestandsfotos über Mode und Objekterkennung bis hin zu medizinischen Diagnosen. Intelligente Warnmeldungen: Verarbeiten Sie große Datenmengen in Echtzeit, um automatisch Betrugsfälle, Bedrohungen der Cybersicherheit und mehr zu erkennen und zu melden. Abbildung 1: Das Fireworks-Tutorial zeigt, wie Sie Ihre eigenen Daten mit Retrieval-Augmented Generation (RAG) und MongoDB Atlas in Large Language Models einbringen können Erste Schritte mit Fireworks AI und MongoDB Atlas Um Ihnen den Einstieg zu erleichtern, sehen Sie sich das Tutorial „ Optimizing RAG with MongoDB Atlas and Fireworks AI “ an, das Ihnen zeigt, wie Sie eine Filmempfehlungs-App erstellen und die MongoDB Atlas-Datenbank einbeziehen, die Filme mithilfe von Embeddings indiziert. (Vektorspeicher) Ein System zur Erzeugung von Dokumenteneinbettungen. Wir verwenden die Fireworks-Einbettungs-API, um Einbettungen aus Textdaten zu erstellen. (Vektorisierung) MongoDB Atlas Vector Search antwortet auf Benutzeranfragen, indem es die Anfrage in eine Einbettung umwandelt und die entsprechenden Filme abruft. (Retrieval Engine) Das Mixtral-Modell verwendet die Inferenz-API von Fireworks , um die Empfehlungen zu generieren. Sie können aber auch Llama, Gemma und andere großartige OSS-Modelle verwenden. (LLM) Laden des MongoDB Atlas-Beispieldatensatzes Mflix zur Erzeugung von Einbettungen (Datensatz) Wir können Ihnen auch dabei helfen, die beste Architektur für die Bedürfnisse Ihres Unternehmens zu entwerfen. Setzen Sie sich mit Ihrem Kundenteam in Verbindung oder kontaktieren Sie uns hier , um eine gemeinsame Sitzung zu vereinbaren und herauszufinden, wie Fireworks AI und MongoDB Ihren AI-Entwicklungsprozess optimieren können.

March 26, 2024

Building AI with MongoDB: How Flagler Health's AI-Powered Journey is Revolutionizing Patient Care

Flagler Health is dedicated to supporting patients with chronic diseases by matching them with the right physician for the right care. Typically, patients grappling with severe pain conditions face limited options, often relying on prolonged opioid use or exploring costly and invasive surgical interventions. Unfortunately, the latter approach is not only expensive but also has a long recovery period. Flagler finds these patients and triages them to the appropriate specialist for an advanced and comprehensive evaluation. Current state without Flagler Flagler Health employs sophisticated AI techniques to rapidly process, synthesize, and analyze patient health records to aid physicians in treating patients with advanced pain conditions. This enables medical teams to make well-informed decisions, resulting in improved patient outcomes with an accuracy rate exceeding 90% in identifying and diagnosing patients. As the company built out its offerings, it identified the need to perform similarity searches across patient records to match conditions. Flagler’s engineers identified the need for a vector database but found standalone systems to be inefficient. They decided to use MongoDB Atlas Vector Search . This integrated platform allows the organization to store all data in a single location with a unified interface, facilitating quick access and efficient data querying. What Flagler can offer Will Hu, CTO, and Co-founder of Flagler Health, emphasizes the importance of a flexible database that can evolve with the company's growth. A relational model was deemed too rigid, leading the company to choose MongoDB's document model. This flexibility allows for easy customization of client configuration files, streamlining data editing and evolution. The managed services provided on MongoDB's developer data platform save time and offer reliability at scale throughout the development cycle. Flagler Health collaborates with many clinics, first processing millions of electronic health record (EHR) files in Databricks and transforming PDFs into raw text. Using the MongoDB Spark Connector and Atlas Data Federation , the company seamlessly streams data from AWS S3 to MongoDB. Combined with the transformed data from Databricks, Flagler’s real-time application data in MongoDB is used to generate accurate and personalized treatment plans for its users. MongoDB Atlas Search facilitates efficient data search across Flagler Health's extensive patient records. Beyond AI applications, MongoDB serves critical functions in Flagler Health's business, including its web application and patient engagement suite, fostering seamless communication between patients and clinics. This comprehensive application architecture, consolidated on MongoDB's developer data platform, simplifies Flagler Health's operations, enabling efficient development and increased productivity. By preventing administrative loops, the platform ensures timely access to potentially life-saving care for patients. Looking ahead, Flagler Health aims to enhance patient experiences by developing new features, such as a digital portal offering virtual therapy and mental health services, treatment and recovery tracking, and a repository of physical therapy videos. Leveraging MongoDB’s AI Innovators program for technical support and free Atlas credits, Flagler Health is rapidly integrating new AI-backed functionalities on the MongoDB Atlas developer data platform to further aid patients in need. Head over to our quick-start guide to get started with Atlas Vector Search today.

February 7, 2024

Apresentando o Atlas para o Edge

>> Anúncio: Alguns recursos mencionados abaixo serão descontinuados em 30 de setembro de 2025. Saiba mais . Temos o prazer de apresentar o MongoDB Atlas for the Edge no MongoDB.local Londres. Esta nova solução foi projetada para agilizar o gerenciamento de dados gerados em diversas fontes na borda, incluindo dispositivos, data centers locais e cloud. A edge computing, que aproxima o processamento de dados dos utilizadores finais, oferece vantagens significativas. Ao mesmo tempo, muitas vezes revela-se um desafio devido a redes complexas, gestão de volumes de dados e preocupações de segurança, que podem dissuadir muitas organizações. Eles também são caros para construir, manter e dimensionar. Alguns desafios que as organizações enfrentam incluem: Conhecimento técnico significativo para managed a complexidade da rede e os altos volumes de dados distribuídos necessários para fornecer aplicativos confiáveis que podem ser executados em qualquer lugar Unir soluções de hardware e software de vários fornecedores, resultando em sistemas complexos e frágeis que muitas vezes são construídos usando tecnologia legada que é limitada pela movimentação de dados unidirecional e requer habilidades especializadas para managed e operar Otimização constante de dispositivos de borda devido às suas restrições – como armazenamento de dados limitado e acesso intermitente à rede – o que torna difícil manter os dados operacionais sincronizados entre locais de borda e a cloud Vulnerabilidades de segurança e patches e atualizações frequentes de firmware para garantir a privacidade e conformidade dos dados MongoDB Atlas for the Edge simplifica todas essas tarefas manuais. Ele permite que o MongoDB seja executado em diversas infraestruturas de borda, desde servidores locaismanaged até implantações cloud oferecidas pelos principais provedores cloud . Os dados fluem perfeitamente entre todas as fontes e são mantidos sincronizados, garantindo a entrega de dados em tempo real com latência mínima. Com o MongoDB Atlas for the Edge, as organizações agora podem usar uma interface única e unificada para oferecer uma experiência de desenvolvimento consistente e sem atrito, da borda à cloud — e tudo mais. Juntos, os recursos incluídos no MongoDB Atlas for the Edge permitem que as organizações reduzam significativamente a complexidade da construção de aplicativos e arquiteturas de borda: Execute o MongoDB em uma variedade de infraestruturas de borda para obter alta confiabilidade com latência ultrabaixa: com o MongoDB Atlas for the Edge, as organizações podem executar aplicações no MongoDB usando uma ampla variedade de infraestruturas, incluindo servidores locaismanaged, como aqueles em armazéns remotos ou hospitais, além de infraestrutura de ponta managed pelos principais provedores cloud , incluindo AWS, Google cloud e Microsoft Azure. Por exemplo, os dados armazenados no MongoDB Enterprise Advanced em servidoresmanaged podem ser sincronizados automaticamente com o MongoDB Atlas Edge Server em zonas locais da AWS e o MongoDB Atlas na cloud para fornecer experiências de aplicação em tempo real para dispositivos de borda com alta confiabilidade e desempenho de um dígito. latência de milissegundos. O MongoDB Atlas for the Edge permite que as organizações implantem aplicativos em qualquer lugar, mesmo em locais remotos e tradicionalmente desconectados — e mantenham os dados sincronizados entre dispositivos de borda, infraestrutura de borda e cloud — para permitir experiências de aplicativos ricas em dados, tolerantes a falhas e em tempo real . Atlas Edge Server agora está em visualização privada, saiba mais em nossa página de produto . Execute aplicativos em locais com conectividade de rede intermitente: com o Atlas Edge Server e o Atlas Device Sync , as organizações podem usar uma camada pré-construída de sincronização de dados local para aplicativos executados em quiosques ou em dispositivos móveis e IoT para evitar a perda de dados e melhorar o desempenho off-line. experiências de aplicação. Os MongoDB Edge Servers podem ser implantados em locais remotos para permitir que os dispositivos sincronizem diretamente entre si — sem a necessidade de conectividade com a cloud— usando recursos integrados de gerenciamento de rede. Assim que a conectividade de rede estiver disponível, os dados serão sincronizados automaticamente entre os dispositivos e a cloud para garantir que os aplicativos estejam atualizados para casos de uso como rastreamento de inventário e pacotes em cadeias de fornecimento, otimização de rotas de entrega em locais remotos e acesso a registros eletrônicos de saúde com conectividade de rede intermitente. Crie e implante aplicativos baseados em IA na borda: o MongoDB Atlas for the Edge fornece integrações com IA generativa e tecnologias de aprendizado de máquina para fornecer funcionalidade inteligente e de baixa latência na borda, diretamente nos dispositivos, mesmo quando a conectividade de rede não está disponível. Por exemplo, o MongoDB Atlas Search e o Atlas Vector Search tornam mais rápido e fácil a construção de aplicativos inteligentes com recursos de pesquisa e IA generativos que aproveitam grandes incorporações de vetores de modelos de linguagem (representações numéricas de dados como texto, imagens e áudio). Depois que os embeddings são gerados e armazenados no MongoDB Atlas, os aplicativos de borda executados no Atlas Device SDK (anteriormente Realm) - uma plataforma rápida e escalável com sincronização de dados móveis paracloud que facilita a construção de aplicativos móveis reativos e em tempo real - podem usar incorporações armazenadas localmente para casos de uso como pesquisa e classificação de similaridade de imagens em tempo real para identificar possíveis defeitos de produtos nas linhas de fábrica. Os desenvolvedores também podem usar os SDKs de dispositivos Atlas para criar, treinar, implantar e managed modelos de aprendizado de máquina em dispositivos de borda usando estruturas populares como CoreML, TensorFlow e PyTorch para aplicativos personalizados que aproveitam dados em tempo real. Armazene e processe dados em lote e em tempo real de dispositivos IoT para torná-los acionáveis: com o MongoDB Atlas Stream Processing , as organizações podem ingerir e processar dados de alta velocidade e alto volume de milhões de dispositivos IoT (por exemplo, sensores de equipamentos, máquinas de fábrica, dispositivos médicos) em fluxos em tempo real ou em lotes quando a conectividade de rede estiver disponível. Os dados podem então ser facilmente agregados, armazenados e analisados usando do MongoDB Time Series collection para casos de uso como manutenção preditiva e detecção de anomalias com relatórios em tempo real e recursos de alerta. O MongoDB Atlas for the Edge fornece todas as ferramentas necessárias para processar e sincronizar praticamente qualquer tipo de dados em locais de borda e na cloud para garantir consistência e disponibilidade. Proteja facilmente aplicativos de borda para privacidade e conformidade de dados: o MongoDB Atlas for the Edge ajuda as organizações a garantir que suas implantações de borda sejam seguras com recursos de segurança integrados. O Atlas Device SDK fornece criptografia de dados pronta para uso em repouso, em dispositivos e em trânsito pelas redes para garantir que os dados estejam protegidos e seguros. Além disso, o Atlas Device Sync fornece acesso refinado baseado em função, com recursos integrados de gerenciamento de identidade e acesso (IAM) que também podem ser combinados com serviços IAM de terceiros para integrar facilmente implantações de borda com soluções existentes de segurança e conformidade. Algumas das principais organizações estão aproveitando o Atlas for the Edge hoje. Por exemplo: A Cathay Pacific , companhia aérea de Hong Kong que fornece serviços de passageiros e carga para destinos em todo o mundo, compreendeu a necessidade de transformação digital no seu processo crítico de briefing aos pilotos e nas operações a bordo. Com o MongoDB Atlas, eles foram os primeiros a digitalizar seu processo de operações de voo com um aplicativo para iPad, Flight Folder, possibilitando um dos primeiros voos sem papel no mundo em setembro de 2019. A plataforma de dados do desenvolvedor MongoDB atendeu aos requisitos deste e de muitos outros projetos, melhorando com sucesso os custos, a eficiência operacional e a precisão, ao mesmo tempo que reduziu o impacto ambiental. Leia o estudo de caso . Cloneable fornece ferramentas com pouco ou nenhum código para permitir a implantação instantânea de aplicativos de IA em uma variedade de dispositivos: móveis, dispositivos IoT, robôs e muito mais. “Colaboramos com o MongoDB porque o Atlas for the Edge forneceu recursos que nos permitiram avançar mais rapidamente e, ao mesmo tempo, fornecer experiências de nível empresarial”, disse Tyler Collins, CTO da Cloneable. “Por exemplo, a persistência de dados locais e a sincronização integrada na cloud fornecidas pelo Atlas Device Sync permitem atualizações em tempo real e alta confiabilidade, o que é fundamental para clientes Cloneable que trazem recursos tecnológicos complexos e profundos para a borda. Modelos de aprendizado de máquina distribuídos para dispositivos podem fornecer inferência de baixa latência, visão computacional e realidade aumentada. O Atlas Vector Search permite incorporações vetoriais de imagens e dados coletados de vários dispositivos para permitir pesquisas e análises aprimoradas. O MongoDB apoia nossa capacidade de agilizar e simplificar processos pesados de dados para a empresa.” Para saber mais sobre a solução anunciada hoje e descobrir como os varejistas e as organizações de saúde estão aproveitando a solução, visite a página da web do Atlas for the Edge .

September 26, 2023

Introducing Atlas for the Edge

>> Announcement: Some features mentioned below will be deprecated on Sep. 30, 2025. Learn more . Update May 2, 2024: Atlas Edge Server is now in public preview. Check out our blog to learn more . We are thrilled to introduce MongoDB Atlas for the Edge at MongoDB.local London. This new solution is designed to streamline the management of data generated across various sources at the edge, including devices, on-premises data centers, and the cloud. Edge computing, which brings data processing closer to end-users, offers significant advantages. At the same time, it often proves challenging due to complex networking, data volume management, and security concerns, which can deter many organizations. They are also costly to build, maintain, and scale. Some challenges organizations face include: Significant technical expertise to manage the complexity of networking and high volumes of distributed data required to deliver reliable applications that run anywhere Stitching together hardware and software solutions from multiple vendors, resulting in complex and fragile systems that are often built using legacy technology that is limited by one-way data movement and requires specialized skills to manage and operate Constant optimization of edge devices due to their constraints — like limited data storage and intermittent network access — which makes keeping operational data in sync between edge locations and the cloud difficult Security vulnerabilities and frequent firmware patches and updates to ensure data privacy and compliance MongoDB Atlas for the Edge simplifies all of these manual tasks. It allows MongoDB to run on diverse edge infrastructure, from self-managed, on-premises servers to cloud deployments offered by major cloud providers. Data seamlessly flows between and is kept synchronized across all sources, ensuring real-time data delivery with minimal latency. Check out our AI resource page to learn more about building AI-powered apps with MongoDB. With MongoDB Atlas for the Edge, organizations can now use a single, unified interface to deliver a consistent and frictionless development experience from the edge to the cloud — and everything in between. Together, the capabilities included with MongoDB Atlas for the Edge allow organizations to significantly reduce the complexity of building edge applications and architectures: Run MongoDB on a variety of edge infrastructure for high reliability with ultra-low latency: With MongoDB Atlas for the Edge, organizations can run applications on MongoDB using a wide variety of infrastructure, including self-managed, on-premises servers, such as those in remote warehouses or hospitals, in addition to edge infrastructure managed by major cloud providers including AWS, Google Cloud, and Microsoft Azure. For example, data stored in MongoDB Enterprise Advanced on self-managed servers can be automatically synced with MongoDB Atlas Edge Server on AWS Local Zones and MongoDB Atlas in the cloud to deliver real-time application experiences to edge devices with high reliability and single-digit millisecond latency. MongoDB Atlas for the Edge allows organizations to deploy applications anywhere, even in remote, traditionally disconnected locations — and keep data synchronized between edge devices, edge infrastructure, and the cloud — to enable data-rich, fault-tolerant, real-time application experiences. Atlas Edge Server is now in private preview, learn more on our product page . Run applications in locations with intermittent network connectivity: With Atlas Edge Server and Atlas Device Sync , organizations can use a pre-built, local-first data synchronization layer for applications running on kiosks or on mobile and IoT devices to prevent data loss and improve offline application experiences. MongoDB Edge Servers can be deployed in remote locations to allow devices to sync directly with each other—without the need for connectivity to the cloud—using built-in network management capabilities. Once network connectivity is available, data is automatically synchronized between devices and the cloud to ensure applications are up to date for use cases like inventory and package tracking across supply chains, optimizing delivery routes in remote locations, and accessing electronic health records with intermittent network connectivity. Build and deploy AI-powered edge computing applications: Data is required for generative AI and machine learning technologies to function and Atlas for the Edge provides provides the data transport necessary to provide low-latency, intelligent functionality at the edge directly on devices—even when network connectivity is unavailable. For example, data stored on MongoDB Atlas can be enhanced with embeddings with Atlas Vector Search . These documents can be synchronized down to mobile or edge devices using Atlas Device Sync. The embeddings can then be used with platform specific libraries like CoreML to perform ML classification. Additionally in reverse, data is the oil for training AI models and edge computing developers spend a ton of time writing non-differentiated code to synchronize data to the cloud, particularly in poor connectivity locations. By gather data at the edge and then using Atlas Device Sync to synchronize the data to the cloud - the data can then be used to train models or use Atlas Vector Search to generate embeddings and relevance search. Store and process real-time and batch data from IoT devices to make it actionable: With MongoDB Atlas Stream Processing , organizations can ingest and process high-velocity, high-volume data from millions of IoT devices (e.g., equipment sensors, factory machinery, medical devices) in real-time streams or in batches when network connectivity is available. Data can then be easily aggregated, stored, and analyzed using MongoDB Time Series collections for use cases like predictive maintenance and anomaly detection with real-time reporting and alerting capabilities. MongoDB Atlas for the Edge provides all of the tools necessary to process and synchronize virtually any type of data across edge locations and the cloud to ensure consistency and availability. Easily secure edge applications for data privacy and compliance: MongoDB Atlas for the Edge helps organizations ensure their edge deployments are secure with built-in security capabilities. The Atlas Device SDK provides out-of-the-box data encryption at rest, on devices, and in transit over networks to ensure data is protected and secure. Additionally, Atlas Device Sync provides fine-grained role-based access, with built-in identity and access management (IAM) capabilities that can also be combined with third-party IAM services to easily integrate edge deployments with existing security and compliance solutions. Some of the leading organizations are leveraging Atlas for the Edge today. For example: Cathay Pacific , Hong Kong’s home airline providing passenger and cargo services to destinations around the world, understood the need for digital transformation in their critical pilot briefing process and in-flight operations. With MongoDB Atlas, they were the very first to digitize their flight operations process with an iPad app, Flight Folder, enabling one of the first zero paper flights in the world in September of 2019. MongoDB’s developer data platform met their requirements for this and many other projects, successfully improving costs, operational efficiency, and accuracy, while also reducing environmental impact. Read the case study to learn more. Cloneable provides low/no-code tools to enable instant deployment of AI applications to a spectrum of devices—mobile, IoT devices, robots, and beyond. “We collaborated with MongoDB because Atlas for the Edge provided capabilities that allowed us to move faster while providing enterprise-grade experiences,” said Tyler Collins, CTO at Cloneable. “For example, the local data persistence and built-in cloud synchronization provided by Atlas Device Sync enables real-time updates and high reliability, which is key for Cloneable clients bringing complex, deep tech capabilities to the edge. Machine learning models distributed down to devices can provide low-latency inference, computer vision, and augmented reality. Atlas Vector Search enables vector embeddings from images and data collected from various devices to allow for improved search and analyses. MongoDB supports our ability to streamline and simplify heavy data processes for the enterprise.” To learn more about the solution announced today, and find out how retailers and healthcare organizations are leveraging the solution, please visit the web page for Atlas for the Edge .

September 26, 2023

ADS: Edge Server + Data Ingest

>> Announcement: Some features mentioned below will be deprecated on Sep. 30, 2025. Learn more . Maintaining data across an increasingly diverse set of devices – such as mobile phones, kiosks, IoT devices, sensors, and more – is becoming increasingly sophisticated. Requirements for low latency experiences, accurate visibility in real-time, management through hostile network conditions, and compatibility across an expanding set of device types all make this extremely challenging. We are thrilled to announce products that address this expanding challenge: Atlas Device Sync : Edge Server, Data Ingest, and C++ support. These capabilities are all key additions to MongoDB’s developer data platform, empowering teams with an out-of-the-box data synchronization layer that ensures uninterrupted operations and productivity across an organization’s ecosystem of distributed devices. Atlas Device Sync: Edge Server Traditionally, edge devices require cloud connectivity to sync with each other and reflect changes across users. This meant that if there was no internet connection, devices used for critical operations like inventory management or package tracking were not showing accurate data until the internet connection resumed. Many use cases require more reliability across local devices – for example, in a retail warehouse where tablets are used for real-time package management – for which some teams develop and implement their own local syncing solutions at their remote branch locations. Atlas Device Sync: Edge Server enables teams to leverage a pre-built local-first data synchronization layer. They can deploy a local Edge Server at their remote location which allows devices to sync directly with each other without the need for a roundtrip to the cloud. Once back online, the data is also synchronized with the cloud. This approach ensures swift and efficient synchronization, enhancing overall performance and enabling smooth operations even in unreliable network conditions. With MongoDB’s Atlas Device Sync: Edge Server, organizations can cut down the time it takes to build, test, and maintain a local sync solution from scratch, and instead focus on other pressing innovative business initiatives. The advantages of Atlas Device Sync extend beyond convenience and simplicity. Revisiting that retail warehouse example, in situations where the store operates in standalone mode, such as during a network outage caused by a natural disaster, our local Edge Server ensures that the in-store devices can sync with each other, providing a cohesive experience for both customers and employees. The applications of Atlas Device Sync are diverse, catering to a range of industries and scenarios. For example, mobile devices in an airplane can maintain a shared state across the cockpit and flight crew, facilitating efficient communication and collaboration. Cruise ship sales across multiple gift shops can keep a common inventory while at sea by syncing with the local server, thereby ensuring accurate stock management. Even medical records on a Navy ship can be updated during checkups and saved to the local Tiered Device Sync, ready to sync with the full backend once a network connection is established. Atlas Device Sync: Edge Server is now public preview. Sign up to get started. Atlas Device Sync: Data Ingest Data Ingest, now generally available, serves as a synchronization strategy tailored for applications that predominantly involve writing data on the client side, without requiring frequent reads. By enabling Data Ingest for one or more collections, businesses can experience accelerated write speeds while bypassing some of the processing involved in bi-directional sync. This feature supports writing data to any collection type, including Atlas time-series collections, making it suitable for a wide range of use cases. Consider an Internet of Things (IoT) application that continually logs sensor data, generating a significant workload in terms of data writes but with minimal read requirements. This IoT device may also experience prolonged periods of offline operation. With Data Ingest, the processing overhead associated with bi-directional synchronization is circumvented, resulting in significantly improved write speeds to an Atlas collection. This ensures that crucial sensor data is efficiently captured and stored, even under challenging network conditions. Data Ingest is not limited to IoT applications alone; it can be leveraged for various use cases where write operations dominate and conflict resolution is unnecessary. For instance, retail applications that generate invoices or log application events can benefit from the streamlined and accelerated data writing offered by Data Ingest. By eliminating the need for conflict resolution, businesses can optimize their processes, enhance performance, and improve overall operational efficiency. This feature can be selectively applied to individual collections, allowing your application to utilize Data Ingest for specific data sets while utilizing bi-directional Device Sync for other collections. This enables full flexibility, allowing businesses to tailor their synchronization approach based on their unique requirements. With the powerful capabilities of Atlas Device Sync: Edge Server and Data Ingest, our developer data platform enables enterprises to fully embrace the potential of edge computing. By eliminating the overhead of traditional methods of building these sophisticated synchronization mechanisms from scratch and instead leveraging pre-built solutions embodying industry best practices, teams can operate at peak performance levels, even in scenarios with limited connectivity or heavy data generation requirements. Atlas Device Sync: Data Ingest is now generally available. Read the docs and register for Atlas to get started today. C++ Support Lastly, we are proud to announce the beta release of our highly anticipated C++ support through our C++ client SDK . This addition further expands the reach of our synchronization solution, catering to applications running on embedded, lightweight, low-footprint devices, and Windows platforms. Developers can use this SDK to immediately add Atlas Device Sync to their C++ applications, enabling teams to leverage the full potential of edge computing without compromising on performance or ease of development. This announcement also includes improvements in schema definitions and API methods, providing a natural and intuitive experience for native C++ developers. The introduction of C++ Support is a testament to our commitment to providing comprehensive solutions that address the diverse needs of our customers. By expanding our compatibility to include C++ and Windows platforms, we aim to empower developers to create innovative and efficient applications that seamlessly synchronize data in edge environments. The C++ SDK is now in beta. Ready to get started? Use the C++ SDK by installing the SDK . Read our docs , and follow our repo . Then, register for Atlas to connect to Atlas Device Sync, a fully-managed mobile backend as a service. Leverage out-of-the-box infrastructure, data synchronization capabilities, network handling, and much more to quickly launch enterprise-grade mobile apps. Finally, let us know what you think, and get involved in our forums . See you there! Stay tuned for more updates as we continue to enhance our offerings and empower you with cutting-edge solutions.

July 3, 2023