4 Grandes Raisons de Passer à MongoDB 7.0

Steve Jurczak and Karthic Subramanian
September 15, 2023

Dernièrement, nous avons pris la route et fait l'actualité lors d'une série d'événements dans les plus grandes villes du monde. L'un des points forts est le lancement de la version 7.0 de MongoDB, qui offre une suite complète de fonctionnalités conçues pour rationaliser les opérations, améliorer les performances et renforcer la sécurité. Avec cette version, MongoDB se réaffirme comme un choix de premier ordre pour les organisations qui cherchent à stimuler la productivité de leurs équipes de développement lorsqu'elles créent des applications modernes et distribuées. La version 7.0 reprend toutes les fonctionnalités des versions précédentes et en ajoute d'autres destinées à faciliter la création de logiciels pour les développeurs.

#1 - Amélioration des performances

MongoDB 7.0 apporte des améliorations significatives sur la façon de gérer les données Time Series, en particulier les ensembles de données exigeants et volumineux de toutes formes. Ces améliorations se traduisent par une meilleure optimisation du stockage et de la compression, ainsi que par des performances accrues en matière d'interrogation. Les développeurs bénéficieront d'une meilleure gestion des données de grande cardinalité, d'une meilleure évolutivité et de meilleures performances globales, ce qui vous permettra d'accéder aux données Time Series de manière plus efficace et plus rentable. Change Streams supportera désormais des cas d'utilisation encore plus larges : gérer les modifications dans les documents volumineux, même avec des pré-images et des post-images, sans provoquer d'erreurs inattendues.

#2 - Des migrations plus fluides

Les mises à jour de Cluster-to-Cluster Sync (mongosync) permettront une migration plus efficace des données dans divers scénarios. Cluster-to-Cluster Sync offre désormais une plus grande souplesse dans la synchronisation entre des clusters ayant des topologies différentes, par exemple entre des clusters définis par réplique et des clusters partitionnés. La synchronisation filtrée permet de synchroniser des données spécifiques définir au lieu de l'ensemble du cluster. Atlas Live Migrate supporte désormais les migrations pour les clusters utilisant MongoDB 6.0.4+. des migrations plus rapides et plus résilientes en cas d'interruption du processus de migration.

#3 - Une expérience simplifiée pour les développeurs

Grâce aux nouvelles améliorations apportées au site aggregation pipeline - notamment les index composés de caractères génériques, les percentiles approximatifs et les opérateurs bitwise - les développeurs bénéficient d'une plus grande souplesse et de meilleures performances en matière d'indexation et d'interrogation des données. Avec MongoDB 7.0, les développeurs peuvent également mettre en œuvre des variables de rôle d'utilisateur dans aggregation pipeline, ce qui permet à Single View d'afficher des données différentes en fonction des autorisations des utilisateurs du journal. Le support pour les mises à jour et les suppressions à grain fin dans les collections Time Series et les nouvelles mesures pour aider à sélectionner une clé de sharding aident à réduire l'effort du développeur et à rationaliser le processus de développement.

#4 - Contrôles de sécurité renforcés

MongoDB 7.0 renforce les capacités de sécurité avec Queryable Encryption pour aider les clients à crypter les données sensibles et à exécuter des requêtes d'égalité sur des données cryptées entièrement randomisées. Les améliorations apportées à la sécurité permettent aux développeurs de créer et de déployer des applications en toute confiance, en sachant que leurs données sont protégées et conformes aux normes et protocoles de sécurité les plus récents.

Pourquoi attendre ?

Avec une foule de nouvelles fonctionnalités et d'améliorations conçues pour rendre votre équipe plus productive, MongoDB 7.0 est le choix idéal pour les organisations qui cherchent à faire passer leur développement à la vitesse supérieure. De l'amélioration des performances au renforcement des fonctionnalités de sécurité, MongoDB 7.0 facilite la création de la prochaine grande entreprise. Inscrivez-vous dès maintenant à Atlas et commencez à construire dès aujourd'hui.

Si vous souhaitez obtenir des conseils sur la mise à niveau vers la version 7.0, notre équipe de services professionnels propose un soutien à la mise à niveau afin d'assurer une transition en douceur. Pour en savoir plus, voir MongoDB Consulting.

← Previous

4 wichtige Gründe für ein Upgrade auf MongoDB 7.0

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 .

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