WeLab Leads Tens of Millions of Users Toward a Future of Intelligent Finance With MongoDB and Alibaba Cloud

MongoDB
February 1, 2024

WeLab Group is a leading FinTech group that provides diversified FinTech services to consumers and financial institutions globally. Established in 2013, its activities include operating WeLab Bank, one of the first licensed virtual banks in Asia, and other online consumer financial services. It is a market leader in Hong Kong, mainland China, and Indonesia, with over 60 million users and nearly 900 corporate customers.

Tightened regulation in a fast-moving market

WeLab sits in a dynamic, highly competitive market environment alongside Internet giants like BAT (Baidu, Alibaba, Tencent), as well as banks and consumer finance companies, and it faces different kinds of business challenges. In recent years, regulation in FinTech has intensified with the implementation of policies such as standardized rates and personal information protection, meaning FinTech enterprises including WeLab need to adapt.

Rapid data surge resulted from business expansion, coupled with the improvement in WeLab’s data processing capacity. WeLab also needs to maintain the system's efficiency and stability, as any enterprise does.

A flexible and stable option with advanced storage capabilities

The data processing in risk management systems is more complex and diverse compared to general business systems. It includes various types of data such as business data, user behavior, device information, and third-party data among others. Each type of data exhibits unique characteristics, and the data structure, organization method, and application scenarios also differ.

Unlike traditional relational databases, MongoDB can store and process structurally complex and scenario-diverse data. It also provides higher development efficiency and stability, allowing WeLab to better respond to market and regulatory changes. MongoDB provides rich indexing functions, such as geospatial index and TTL indexing, both widely used in WeLab’s daily business.

Having compared several databases, WeLab replaced its traditional MySQL database with ApsaraDB for MongoDB. The upgrade was supported by Alibaba Cloud and MongoDB experts, ensuring the process was a smooth one.

Improved efficiency and reduced risk with stability guaranteed

As WeLab’s business continues to grow, ApsaraDB for MongoDB has become one of the core engines supporting its business operation. Leveraging its advanced financial risk management technology and MongoDB 5.0’s powerful data processing capabilities, WeLab has also built a new generation of the risk management system, WeDefend 3.0, which is highly recognized by enterprise customers.

Technical improvements are reflected in various aspects. The database write performance has improved by more than 50% and query performance by more than 20%. No stability problems occurred anywhere in the system following the upgrade. It also gives more professional technical support, reducing learning and maintenance costs, while upgrade costs are reduced with MongoDB 5.0’s stable API. Users only need to use simple interface configurations, significantly improving efficiency and reducing overall risk.

ApsaraDB for MongoDB perfectly matches WeLab’s needs in terms of data characteristics and technical requirements. Thanks to the professional support from Alibaba Cloud and MongoDB teams, our system upgrade was very smooth. The subsequent operation and learning costs are also lower.
Huang Zhipeng, technical director of WeLab Group

← Previous

MongoDB presenta Atlas Vector Search: crea applicazioni intelligenti con ricerca semantica e intelligenza artificiale su qualsiasi tipo di dati

Siamo lieti di annunciare che Atlas Vector Search è ora disponibile al pubblico. Vector Search ora supporta i carichi di lavoro di produzione, consentendoti di continuare a creare applicazioni intelligenti basate sulla ricerca semantica e sull'IA generativa, ottimizzando al contempo il consumo di risorse e migliorando le prestazioni con i nodi di ricerca. Leggi il blog qui sotto, dove troverai l'annuncio completo e l'elenco dei vantaggi. Il momento è finalmente arrivato. L’intelligenza artificiale ha fatto shift left. Ciò che una volta era costruito e spesso intrappolato all'interno dei team di data science e machine learning a livello aziendale, ora è facilmente disponibile per i costruttori di tutto il mondo. Ma per sfruttare l'incredibile potenza di questi nuovi strumenti, è necessario costruire avvalendosi di una piattaforma dati affidabile, componibile ed elegante. Al contempo, come abbiamo visto tutti, queste nuove funzionalità sono valide solo se lo sono i dati o le "informazioni fondamentali" a cui hanno accesso. Ecco perché siamo entusiasti di aggiungere un'altra funzionalità alla Piattaforma dati per sviluppatori MongoDB Atlas, per sbloccare il pieno potenziale dei tuoi dati e potenziare le applicazioni IA. Oggi, MongoDB è entusiasta di annunciare la sua nuova ed entusiasmante funzionalità di Vector Search , progettata per soddisfare le esigenze di dati in tutte le forme e consentire ai partner di sfruttare queste nuove incredibili funzionalità. Consulta la nostra pagina delle risorse sull'intelligenza artificiale per saperne di più sulla creazione di app basate sull'intelligenza artificiale con MongoDB. Descrizione della funzionalità Per chi non lo sapesse, la ricerca vettoriale è una funzionalità che consente di interrogare i dati in base alla semantica o al significato dei dati anziché ai dati stessi. Questo può avvenire grazie alla possibilità di rappresentare numericamente qualsiasi forma di dato come un Vettore, che successivamente può essere confrontato a un altro tramite sofisticati algoritmi. Il primo passo è prendere i dati di origine (testo, audio, immagine o video) e convertirli in "Vettori" o "Incorporamenti" tramite un "modello di codifica". Con i recenti progressi effettuati dall'intelligenza artificiale, questi vettori sono ora in grado di acquisire meglio il significato dei dati, proiettando dati dimensionali inferiori in uno spazio più elevato che contiene più contesto. Quando questi dati vengono trasformati in queste rappresentazioni numeriche, è possibile eseguire una query per trovare valori simili tramite un algoritmo per la ricerca approssimativa dei vicini, che consente alle query di trovare molto rapidamente dati con vettori simili. Ciò ti consente di rispondere a richieste come "trova film tristi" o "trova immagini che assomiglino a...". Questa funzionalità sblocca una nuova categoria di funzionalità. Come si collega alla nostra piattaforma? Con questa funzionalità, integrata in MongoDB Atlas in modo nativo, non è necessario copiare e trasformare i dati, imparare un nuovo stack e una nuova sintassi o gestire un'intera nuova infrastruttura. Con Atlas Vector Search di MongoDB, tutto questo non è necessario: è possibile utilizzare queste nuove e potenti funzionalità all'interno di una piattaforma di livello mondiale, collaudata per creare applicazioni in modo rapidissimo. Molte delle sfide inerenti allo sfruttamento dell'IA e della ricerca vettoriale derivano dalla complessità di esporre in modo sicuro e protetto i dati delle applicazioni. Questi compiti aggiungono strati di attrito all'esperienza degli sviluppatori e complicano la costruzione, l'individuazione dei bug e la manutenzione dell'applicazione. MongoDB elimina tutte queste sfide portando la potenza della ricerca vettoriale su una piattaforma che si ridimensiona organicamente in verticale e in orizzontale per supportare qualsiasi carico di lavoro che gli viene assegnato. Infine, tutto questo non sarebbe sufficiente senza garanzie di sicurezza e disponibilità e l'impegno di MongoDB a fornire una soluzione di gestione dei dati protetta, oltre che con una disponibilità elevata tramite la ridondanza e il failover automatico, che assicurano che l'applicazione non perda mai un colpo. Novità a MongoDB.local London Per quanto riguarda .Local London, MongoDB è lieta di annunciare l'introduzione di una fase di aggregazione dedicata alla ricerca vettoriale che può essere invocata tramite $vectorSearch. Questa nuova fase di aggregazione introduce alcuni nuovi concetti che conferiscono nuova potenza e rendono più semplice che mai l'utilizzo della ricerca vettoriale. Con $vectorSearch, è anche possibile utilizzare un pre-filtro con sintassi MQL (ad es. $gte, $eq, ecc...) che filtra i documenti mentre attraversi l'indice per ottenere risultati coerenti e prestazioni elevate. Qualsiasi sviluppatore che conosca MongoDB sarà in grado di sfruttare agevolmente questa funzionalità di filtro. Infine stiamo introducendo anche due modi per ottimizzare i risultati all'interno della fase di aggregazione, un parametro "numCandidates" e un parametro "limit", con i quali è possibile ottimizzare il numero di documenti candidati per la ricerca approssimativa del vicino più prossimo, e quindi limitare la quantità di risultati desiderati con il "limite". Come interagisce con l'ecosistema? La quantità di innovazioni che si stanno sviluppando intorno all'intelligenza artificiale è sbalorditiva, ed è sorprendente vedere i progressi che la comunità open source sta rapidamente compiendo. Enormi progressi sono stati compiuti nei modelli linguistici open source, così come nei diversi metodi che possono essere integrati nelle applicazioni. Con la potenza pura dell'intelligenza artificiale, non è mai stato così importante disporre di una solida astrazione sulle funzionalità per dare agli sviluppatori la flessibilità di cui hanno bisogno. Con questa considerazione, siamo entusiasti di comunicare che diverse funzionalità sono supportate in LangChain e LlamaIndex, dal supporto per la ricerca vettoriale fino alla registrazione della chat e all'indicizzazione dei documenti. Stiamo crescendo rapidamente e continueremo a rilasciare nuove funzionalità per i nostri principali fornitori. Riepilogo Ma siamo solo agli inizi. MongoDB si impegna ad aiutare gli sviluppatori a potenziare la prossima generazione di applicazioni abilitate all'IA con la migliore piattaforma di dati per sviluppatori sul mercato. Esamineremo ancora più framework e architetture di plug-in da supportare. Ma come sempre, la parte più importante di questa equazione sono i nostri sviluppatori. Per questo, parleremo con la comunità e troveremo i modi per servirti al meglio e per assicurarci di soddisfare le tue esigenze in ogni fase del processo. Continua a sviluppare! Per scoprire di più su Atlas Vector Search e capire se potrebbe essere la soluzione giusta per te, consulta la nostra documentazione , il whitepaper e i tutorial , oppure inizia subito .

January 31, 2024

Next →

Hanabi Technologies Uses MongoDB to Power AI Assistant, Hana

For all the hype surrounding generative AI, cynics tend to view the few real-world implementations as little more than “fancy chatbots.” But for Abhinav Aggarwal, CEO of Hanabi Technologies, the idea of a generative AI-powered bot that is more than just an assistant was intriguing. “I’d been using ChatGPT since it launched,” said Aggarwal. “That got me thinking: How could we make a chatbot that was like a team member?” And with that concept, Hana was born. The problem with bots “Most generative AI chatbots do not act like people; they wait for a command and give a response,” said Aggarwal. “We wanted to create a human-like chatbot that would proactively help people based on what they wanted—automating reminders, for example, or fetching time zones from your calendar to correctly schedule meetings.” Hanabi’s flagship product, Hana, is an AI assistant designed to enhance team collaboration within Google Chat, working in concert with Google Workspace and its suite of products. “Our target customers are smaller companies of between 10 and 50 people. At this size you’re not going to build your own agent from scratch,” he said. Hana integrates with Google APIs to deliver a human-like assistant that chimes in with helpful interventions, such as automatically setting reminders and making sure meetings are booked in the right time zone for each participant. “Hana is designed to bring AI to smaller companies and help them collaborate in a space where they are already working—Google Workspace,” Aggarwal explained. The MongoDB Atlas solution For Hana to act like a member of the team, Hanabi needed to process massive amounts of data to support advanced features like retrieval-augmented generation (RAG) for better information retrieval across Google Docs and many other sources. And with a rapidly growing user base of over 600 organizations and 17,000+ installs, Hanabi also required a secure, scalable, and high-performing data storage solution. MongoDB Atlas provided a flexible document model, built-in vector database, and scalable cloud-based infrastructure, freeing Hanabi engineers to build new features for Hana rather than focusing on rote tasks like data extract, transform, and load processes or manual scaling and provisioning. Now, MongoDB Atlas handles a variety of responsibilities: Scalability and security: MongoDB Atlas’s auto-scaling and automatic backup features have enabled Hanabi to seamlessly grow its user base without the need for manual database management. RAG: MongoDB Atlas plays a critical role in Hana’s RAG functionality. The platform enables Hanabi to split Google Docs into small sections, create embeddings, and store these sections in Atlas’s vector database. Development Processes: According to Aggarwal, MongoDB’s flexibility in managing changing schemas has been essential to the company’s fast-paced development cycle. Data Visualization: Using MongoDB Atlas Charts has enabled Hanabi to create comprehensive dashboards for real-time data visualization. This has helped the team track usage, set reminders, and optimize performance without needing to build a manual dashboard. Impact and results With MongoDB Atlas, Hanabi can successfully scale Hana to meet the demands of its rapidly expanding user base. The integration is also enabling Hana to offer powerful features like automatic interactions with customers, advanced information retrieval from Google Docs, and manually added memory snippets, making it an essential tool for teams around the world. Next steps Hanabi plans to continue integrating more tools into Hana while expanding its reach to personal Gmail users. The company is also rolling out a new automatic-interaction feature, further enhancing Hana’s ability to proactively assist users without direct commands. MongoDB Atlas remains a key component of Hanabi’s stack, alongside Google Kubernetes Engine, NestJS, and LangChain, enabling Hanabi to focus on innovating to improve the customer experience. Tech Stack MongoDB Atlas Google Kubernetes Engine NestJS LangChain Are you building AI apps? Join the MongoDB AI Innovators Program today! Successful participants gain access to free MongoDB Atlas credits, technical enablement, and invaluable connections within the broader AI ecosystem. If your company is interested in being featured, we’d love to hear from you. Connect with us at ai_adopters@mongodb.com.

November 21, 2024