4 wichtige Gründe für ein Upgrade auf MongoDB 7.0

Steve Jurczak and Karthic Subramanian
September 15, 2023 | Updated: September 21, 2023

In letzter Zeit waren wir unterwegs und sorgten bei einer Reihe von Veranstaltungen in Großstädten auf der ganzen Welt für Schlagzeilen. Eines der großen Highlights ist die Veröffentlichung von MongoDB 7.0, das eine umfassende Suite von Funktionen bietet, die darauf ausgelegt sind, Abläufe zu rationalisieren, die Leistung zu verbessern und die Sicherheit zu erhöhen. Mit dieser Veröffentlichung bestätigt sich MongoDB erneut als erste Wahl für Unternehmen, die die Produktivität ihrer Entwicklungsteams bei der Erstellung moderner, verteilter Anwendungen steigern möchten. Version 7.0 verfügt über alle in früheren Versionen veröffentlichten Funktionen sowie zusätzliche Funktionen, die Entwicklern das Erstellen von Software erleichtern sollen.

#1 – Verbesserte Leistung

MongoDB 7.0 bringt erhebliche Verbesserungen bei der Arbeit mit Time Series , insbesondere bei anspruchsvollen, großvolumigen Datensätzen aller Formen. Diese Verbesserungen führen zu einer verbesserten Speicheroptimierung und -komprimierung sowie einer verbesserten Abfrageleistung. Entwickler werden eine noch bessere Handhabung von Daten mit hoher Kardinalität, verbesserte Skalierbarkeit und Gesamtleistung erleben; So können Sie Time Series effizienter und kostengünstiger managed. Change streams unterstützt jetzt noch umfassendere Anwendungsfälle: die Handhabung von Änderungen in großen Dokumenten, sogar mit Vorbildern und Nachbildern, ohne unerwartete Fehler zu verursachen.

#2 – Reibungslosere Migrationen

Aktualisierungen der Cluster-to-Cluster Sync (Mongosync) ermöglichen eine effizientere Datenmigration in einer Vielzahl von Szenarien. Cluster-to-Cluster Sync bietet jetzt eine größere Flexibilität bei der Synchronisierung zwischen cluster mit unterschiedlichen Topologien, z. B. von Sekundär-festlegen zu sharded cluster. Die gefilterte Synchronisierung ermöglicht die Synchronisierung bestimmter Daten anstelle des gesamten cluster. Atlas Live Migrate unterstützt jetzt Migrationen für cluster , auf denen MongoDB 6.0.4+ ausgeführt wird Bereitstellung von Migrationen, die schneller und robuster sind, wenn es während des Migrationsprozesses zu Unterbrechungen kommt.

#3 – Optimierte Entwicklererfahrung

Mit neuen Verbesserungen der aggregation pipeline – einschließlich zusammengesetzter Index, ungefährer Perzentile und bitweiser Operatoren – können Entwickler von größerer Flexibilität und Leistung bei der Indizierung und Abfrage von Daten profitieren. Mit MongoDB 7.0 können Entwickler auch Benutzerrollenvariablen innerhalb aggregation pipeline implementieren, sodass eine Single View basierend auf den Berechtigungen der LogBenutzer unterschiedliche Daten anzeigen kann. Unterstützung für feinkörnige Aktualisierungen und Löschungen in collection Time Series und neue Metriken zur Auswahl eines shard key tragen dazu bei, den Entwickleraufwand zu reduzieren und den Entwicklungsprozess zu rationalisieren.

#4 – Stärkere Sicherheitskontrollen

MongoDB 7.0 stärkt die Sicherheitsfunktionen durch Queryable Encryption, um Kunden dabei zu helfen, sensible Daten zu verschlüsseln und Gleichheitsabfragen für vollständig randomisierte verschlüsselte Daten durchzuführen. Die Sicherheitsverbesserungen stellen sicher, dass Entwickler Anwendungen mit Zuversicht erstellen und bereitstellen können, da sie wissen, dass ihre Daten geschützt sind und den neuesten Sicherheitsstandards und Protokollen entsprechen.

Warum warten?

Mit einer Vielzahl neuer Funktionen und Verbesserungen, die Ihr Team produktiver machen sollen, ist MongoDB 7.0 die perfekte Wahl für Unternehmen, die ihre Entwicklung auf die nächste Stufe heben möchten. Von verbesserter Leistung bis hin zu stärkeren Sicherheitsfunktionen macht es MongoDB 7.0 einfacher, das nächste große Ding zu entwickeln. Registrieren Sie sich jetzt für Atlas und beginnen Sie noch heute mit dem Bau.

Wenn Sie eine Anleitung zum Upgrade auf 7.0 benötigen, bietet unser professionelles Serviceteam Upgrade-Unterstützung an, um einen reibungslosen Übergang zu gewährleisten. Weitere Informationen finden Sie unter MongoDB Consulting.

← Previous

Construire avec des modèles : Un résumé

Alors que nous terminons la série "Building with Patterns", c'est l'occasion de récapituler les problèmes que les modèles abordés ont permis de résoudre et de mettre en évidence certains des avantages et des compromis de chaque modèle. La question la plus fréquente concernant les modèles de conception est la suivante : "Je conçois une application pour faire X, comment dois-je modéliser les données ?". Comme nous espérons que vous l'avez découvert au cours de cette série d’articles, il y a beaucoup d'éléments à prendre en considération pour répondre à cette question. Cependant, nous avons inclus un schéma d’exemples de cas d’utilisation que nous avons trouvé utile pour au moins fournir un guide initial sur les modèles de modélisation des données pour les cas d'utilisation génériques. Exemples de cas d'utilisation Le graphique ci-dessous indique ce que nous avons constaté après des années d'expérience avec nos clients en ce qui concerne les modèles de conception de schéma utilisés dans une variété d'applications. Il ne s'agit pas d'une définition "gravée dans le marbre" de règles indiquant quel modèle de conception peut être utilisé pour un type d'application particulier. Examinez ceux qui sont fréquemment utilisés dans votre cas d'utilisation. Mais, n'écartez pas les autres, ils peuvent tout de même s'appliquer. La façon dont vous concevez le schéma de données de votre application dépend fortement la manière dont vous accédez aux données. Résumés des modèles de conception Approximation Le modèle Approximation est utile lorsque des calculs coûteux sont fréquemment effectués et que la précision de ces calculs n'est pas une priorité absolue. Avantages Moins d'écritures dans la base de données. Maintenir des chiffres statistiquement valables. Inconvénients Les chiffres exacts ne sont pas représentés. Doit être implémenté dans l'application.’ Attribut Le modèle Attribut est utile pour les problèmes liés à l'existence de documents volumineux comportant de nombreux champs similaires, mais un sous-ensemble de champs partageant des caractéristiques communes et sur lesquels on souhaite effectuer un tri ou une requête. Lorsque les champs à trier ne se trouvent que dans un petit sous-ensemble de documents. Ou lorsque ces deux conditions sont réunies dans les documents. Avantages Moins d'index sont nécessaires. Les requêtes deviennent plus simples à écrire et sont généralement plus rapides. Bucket Le modèle Bucket est une excellente solution lorsqu'il s'agit de gérer un flux de données, comme dans les applications Time Series, Real-Time Analytics ou Internet of Things (IoT)). Avantages Réduit le nombre total de documents dans une collection. Améliore les performances de index. Peut simplifier l'accès aux données en tirant parti de la préagrégation. Computed Lorsqu'il existe des schémas d'accès aux données très intensifs en lecture et que ces données doivent être calculées de manière répétée par l'application, le modèle Calculé (Computed Pattern) est une excellente option à explorer. Avantages Réduction de la charge du CPU pour les calculs fréquents. Les requêtes deviennent plus simples à écrire et sont généralement plus rapides. Inconvénients Il peut être difficile d'identifier le besoin de ce modèle. L'application ou l'utilisation excessive du modèle doit être évitée, sauf en cas de nécessité. Document Versioning Lorsque vous êtes confronté à la nécessité de conserver des versions antérieures de documents dans MongoDB, le modèle Document Versioning est une solution possible. Avantages Facile à mettre en œuvre, même sur des systèmes existants. Aucun impact sur les performances des requêtes sur la dernière révision. nconvénients Double le nombre d'écritures. Les requêtes doivent cibler la bonne collection. Extended Reference Le modèle Extended Reference est particulièrement utile lorsque votre application doit effectuer un grand nombre d'opérations de jointure pour regrouper des données accédées fréquemment ensemble. Avantages Améliore les performances lorsqu'il y a beaucoup d'opérations de jointure. Des lectures plus rapides et une réduction du nombre total de jointures. Inconvénients Duplication des données. Outliner Constatez-vous que certaines requêtes ou certains documents ne correspondent pas au modèles de données habituels ? Ces exceptions sont-elles à l'origine de votre solution d'application ? Si c'est le cas, le modèle des valeurs aberrantes est une excellente solution à cette situation. Avantages Empêche que quelques documents ou requêtes ne déterminent la solution d'une application. Les requêtes sont adaptées aux cas d'utilisation "typiques", mais les cas aberrants sont toujours pris en compte. Inconvénients Souvent adaptés à des requêtes spécifiques, les requêtes ad hoc risquent donc de ne pas donner de bons résultats. Une grande partie de ce modèle est réalisée avec le code de l'application. Pre-allocation Lorsque vous connaissez la structure de votre document et que votre application doit simplement la remplir de données, le modèle Pre-Allocation est le bon choix. Avantages Simplification de la conception lorsque la structure du document est connue à l'avance. Inconvénients Simplicité contre performance. Polymorphic Le modèle Polymorphic est la solution lorsqu'il existe une variété de documents qui présentent plus de similitudes que de différences et que les documents doivent être conservés dans une collection unique. Avantages Facile à mettre en œuvre. Les requêtes peuvent porter sur une seule collection. Schema Versioning Pratiquement toutes les applications peuvent bénéficier du Schema Versioning, car des modifications du schéma de données interviennent fréquemment au cours de la durée de vie d'une application. Ce modèle permet aux versions précédentes et actuelles des documents de coexister dans une collection. Avantages Aucun temps d'arrêt n'est nécessaire. Contrôle de la migration des schémas. Réduction de la dette technique future. Inconvénients Il se peut que deux index soient nécessaires pour le même champ lors de la migration. Subset Pattern Le modèle Subset résout le problème du dépassement de la capacité mémoire par les documents volumineux dont une grande partie des données n'est pas utilisée par l'application. Avantages Réduction de la taille globale des données de travail. Temps d'accès au disque plus court pour les données les plus fréquemment utilisées. Inconvénients Nous devons gérer le sous-ensemble. La récupération de données supplémentaires nécessite des accès supplémentaires à la base de données. Tree Lorsque les données ont une structure hiérarchique arborescente et qu'elles sont fréquemment interrogées, le modèle Tree est le schéma à suivre. Avantages Amélioration des performances en évitant les opérations de jointure multiples. Inconvénients Les mises à jour de l’arbre doivent être gérées dans l'application. Conclusion Comme nous espérons que vous l'avez vu dans cette série, le modèle document de MongoDB offre une grande flexibilité dans la façon dont vous modélisez les données. Cette flexibilité est incroyablement puissante, mais elle doit être exploitée en fonction des manières d'accèder aux données de votre application. N'oubliez pas que la conception du schéma dans MongoDB a un impact considérable sur les performances de votre application. Nous avons constaté que les problèmes de performance sont souvent dus à une mauvaise conception du schéma. Gardez à l'esprit que pour améliorer encore la puissance du modèle document, ces modèles de conception de schémas peuvent être utilisés ensemble, lorsque cela s'avère judicieux. Par exemple, le schéma Versioning peut être utilisé en conjonction avec n'importe quel autre schéma au fur et à mesure que votre application évolue. Avec les douze modèles de conception de schémas abordés, vous disposez des outils et des connaissances nécessaires pour exploiter la puissance de la flexibilité du modèle document.

September 15, 2023
Next →

AI-Powered Call Centers: A New Era of Customer Service

Customer satisfaction is critical for insurance companies. Studies have shown that companies with superior customer experiences consistently outperform their peers. In fact, McKinsey found that life and property/casualty insurers with superior customer experiences saw a significant 20% and 65% increase in Total Shareholder Return , respectively, over five years. A satisfied customer is a loyal customer. They are 80% more likely to renew their policies, directly contributing to sustainable growth. However, one major challenge faced by many insurance companies is the inefficiency of their call centers. Agents often struggle to quickly locate and deliver accurate information to customers, leading to frustration and dissatisfaction. This article explores how Dataworkz and MongoDB can transform call center operations. By converting call recordings into searchable vectors (numerical representations of data points in a multi-dimensional space), businesses can quickly access relevant information and improve customer service. We'll dig into how the integration of Amazon Transcribe, Cohere, and MongoDB Atlas Vector Search—as well as Dataworkz's RAG-as-a-service platform— is achieving this transformation. From call recordings to vectors: A data-driven approach Customer service interactions are goldmines of valuable insights. By analyzing call recordings, we can identify successful resolution strategies and uncover frequently asked questions. In turn, by making this information—which is often buried in audio files— accessible to agents, they can give customers faster and more accurate assistance. However, the vast volume and unstructured nature of these audio files make it challenging to extract actionable information efficiently. To address this challenge, we propose a pipeline that leverages AI and analytics to transform raw audio recordings into vectors as shown in Figure 1: Storage of raw audio files: Past call recordings are stored in their original audio format Processing of the audio files with AI and analytics services (such as Amazon Transcribe Call Analytics ): speech-to-text conversion, summarization of content, and vectorization Storage of vectors and metadata: The generated vectors and associated metadata (e.g., call timestamps, agent information) are stored in an operational data store Figure 1: Customer service call insight extraction and vectorization flow Once the data is stored in vector format within the operational data store, it becomes accessible for real-time applications. This data can be consumed directly through vector search or integrated into a retrieval-augmented generation (RAG) architecture, a technique that combines the capabilities of large language models (LLMs) with external knowledge sources to generate more accurate and informative outputs. Introducing Dataworkz: Simplifying RAG implementation Building RAG pipelines can be cumbersome and time-consuming for developers who must learn yet another stack of technologies. Especially in this initial phase, where companies want to experiment and move fast, it is essential to leverage tools that allow us to abstract complexity and don’t require deep knowledge of each component in order to experiment with and realize the benefits of RAG quickly. Dataworkz offers a powerful and composable RAG-as-a-service platform that streamlines the process of building RAG applications for enterprises. To operationalize RAG effectively, organizations need to master five key capabilities: ETL for LLMs: Dataworkz connects with diverse data sources and formats, transforming the data to make it ready for consumption by generative AI applications. Indexing: The platform breaks down data into smaller chunks and creates embeddings that capture semantics, storing them in a vector database. Retrieval: Dataworkz ensures the retrieval of accurate information in response to user queries, a critical part of the RAG process. Synthesis: The retrieved information is then used to build the context for a foundational model, generating responses grounded in reality. Monitoring: With many moving parts in the RAG system, Dataworkz provides robust monitoring capabilities essential for production use cases. Dataworkz's intuitive point-and-click interface (as seen in Video 1) simplifies RAG implementation, allowing enterprises to quickly operationalize AI applications. The platform offers flexibility and choice in data connectors, embedding models, vector stores, and language models. Additionally, tools like A/B testing ensure the quality and reliability of generated responses. This combination of ease of use, optionality, and quality assurance is a key tenet of Dataworkz's "RAG as a Service" offering. Diving deeper: System architecture and functionalities Now that we’ve looked at the components of the pre-processing pipeline, let’s explore the proposed real-time system architecture in detail. It comprises the following modules and functions (see Figure 2): Amazon Transcribe , which receives the audio coming from the customer’s phone and converts it into text. Cohere ’s embedding model, served through Amazon Bedrock , vectorizes the text coming from Transcribe. MongoDB Atlas Vector Search receives the query vector and returns a document that contains the most semantically similar FAQ in the database. Figure 2: System architecture and modules Here are a couple of FAQs we used for the demo: Q: “Can you explain the different types of coverage available for my home insurance?” A: “Home insurance typically includes coverage for the structure of your home, your personal belongings, liability protection, and additional living expenses in case you need to temporarily relocate. I can provide more detailed information on each type if you'd like.” Q: “What is the process for adding a new driver to my auto insurance policy?" A: “To add a new driver to your auto insurance policy, I'll need some details about the driver, such as their name, date of birth, and driver's license number. We can add them to your policy over the phone, or you can do it through our online portal.” Note that the question is reported just for reference, and it’s not used for retrieval. The actual question is provided by the user through the voice interface and then matched in real-time with the answers in the database using Vector Search. This information is finally presented to the customer service operator in text form (see Fig. 3). The proposed architecture is simple but very powerful, easy to implement, and effective. Moreover, it can serve as a foundation for more advanced use cases that require complex interactions, such as agentic workflows , and iterative and multi-step processes that combine LLMs and hybrid search to complete sophisticated tasks. Figure 3: App interface, displaying what has been asked by the customer (left) and how the information is presented to the customer service operator (right) This solution not only impacts human operator workflows but can also underpin chatbots and voicebots, enabling them to provide more relevant and contextual customer responses. Building a better future for customer service By seamlessly integrating analytical and operational data streams, insurance companies can significantly enhance both operational efficiency and customer satisfaction. Our system empowers businesses to optimize staffing, accelerate inquiry resolution, and deliver superior customer service through data-driven, real-time insights. To embark on your own customer service transformation, explore our GitHub repository and take advantage of the Dataworkz free tier .

November 27, 2024