MongoDB Atlas Vector Search est une fonctionnalité de MongoDB Atlas, le service de base de données cloud géré fourni par MongoDB Inc. Elle permet aux utilisateurs de stocker, d'indexer et d'interroger des vecteurs d'intégration aux côtés de leurs données opérationnelles, facilitant la recherche sémantique, les systèmes de recommandation et d'autres applications d'intelligence artificielle. La fonctionnalité est conçue pour fonctionner avec des frameworks d'apprentissage automatique et des modèles d'intégration courants, permettant aux développeurs de créer des fonctionnalités basées sur l'IA sans gérer des bases de données vectorielles séparées.
La recherche vectorielle dans MongoDB Atlas exploite le modèle documentaire de MongoDB, où chaque document peut contenir à la fois des champs traditionnels et des vecteurs d'intégration. Cette intégration simplifie la gestion des données en éliminant le besoin d'un stockage vectoriel séparé, réduisant ainsi la complexité opérationnelle et la latence. La fonctionnalité prend en charge des algorithmes de recherche approximative du plus proche voisin (ANN), tels que Hierarchical Navigable Small World (HNSW), pour récupérer efficacement des vecteurs similaires même à grande échelle.
Histoire
MongoDB Atlas a été lancé en 2016 en tant que base de données en tant que service entièrement gérée, prenant initialement en charge AWS, Google Cloud et Azure. D'ici 2024, Atlas représentait environ 70 % des revenus de MongoDB. La fonctionnalité de recherche vectorielle a été introduite plus tard, répondant à la demande croissante pour des fonctionnalités d'IA et de apprentissage automatique. En 2023, MongoDB a annoncé la disponibilité générale d'Atlas Vector Search, qui intégrait la recherche vectorielle directement dans le langage de requête de MongoDB. Cette version a permis aux développeurs d'effectuer des recherches sémantiques en utilisant le même pipeline d'agrégation et les mêmes pilotes qu'ils utilisaient déjà.
Fonctionnalités clés
Atlas Vector Search prend en charge à la fois la recherche vectorielle et la recherche hybride. La recherche hybride combine la similarité vectorielle avec un filtrage traditionnel basé sur des mots-clés, permettant des résultats plus précis. Les utilisateurs peuvent définir des index sur des champs vectoriels, en spécifiant la dimension des vecteurs, la métrique de similarité (telle que cosinus, euclidienne ou produit scalaire) et le nombre de candidats à considérer. La fonctionnalité prend également en charge le filtrage sur des champs de métadonnées, permettant aux requêtes de restreindre les résultats en fonction d'attributs non vectoriels.
Un autre aspect important est l'intégration avec les workflows de grands modèles de langage. Les développeurs peuvent générer des vecteurs d'intégration en utilisant des modèles de fournisseurs comme OpenAI ou Anthropic, les stocker dans MongoDB Atlas, puis effectuer une génération augmentée par récupération (RAG) pour améliorer les réponses des modèles de langage. Ce modèle est largement utilisé dans les chatbots, les systèmes de questions-réponses et les applications de recherche documentaire.
Cas d'utilisation
Les cas d'utilisation courants d'Atlas Vector Search incluent la recherche sémantique sur des catalogues de produits, des recommandations personnalisées, la détection d'anomalies et la recherche de similarité d'images. Par exemple, une plateforme de commerce électronique peut intégrer des descriptions de produits et des requêtes utilisateur en vecteurs, permettant aux utilisateurs de trouver des articles en fonction du sens plutôt que de mots-clés exacts. Dans le secteur financier, la recherche vectorielle peut aider à détecter des transactions frauduleuses en comparant des modèles. La fonctionnalité est également utilisée dans le domaine de la santé pour mettre en correspondance les symptômes des patients avec la littérature médicale pertinente.
Performance et évolutivité
MongoDB Atlas Vector Search est conçu pour évoluer horizontalement, en exploitant les capacités de partitionnement de MongoDB. Les index vectoriels sont distribués sur les fragments, permettant au système de gérer de grands volumes de vecteurs d'intégration. Le moteur de stockage sous-jacent, WiredTiger, prend en charge une gestion efficace de la mémoire et des opérations basées sur le disque, garantissant des performances même lorsque le jeu de données dépasse la RAM. En 2025, MongoDB a continué à améliorer la fonctionnalité, en ajoutant la prise en charge de davantage de métriques de similarité et en améliorant les performances des requêtes.
Intégration avec l'écosystème de l'IA
Atlas Vector Search s'intègre avec divers outils et frameworks d'IA. Il prend en charge l'API OpenAI pour générer des vecteurs d'intégration, ainsi que d'autres modèles d'intégration de fournisseurs comme Cohere et Hugging Face. MongoDB fournit des pilotes et des tutoriels pour des langages de programmation populaires, notamment Python, Node.js et Java. La fonctionnalité fonctionne également avec des frameworks d'orchestration comme LangChain et LlamaIndex, permettant aux développeurs de créer des applications d'IA sophistiquées avec un minimum d'effort.
Licence et disponibilité
MongoDB Atlas est un service commercial, et Atlas Vector Search est disponible sur toutes les principales plateformes cloud : Amazon Web Services, Azure et Google Cloud. Le logiciel MongoDB sous-jacent est sous licence Server Side Public License (SSPL), qui restreint l'offre de MongoDB en tant que service sans accord séparé. Cependant, Atlas Vector Search est une offre gérée, donc les utilisateurs n'ont pas à se soucier de la licence pour la base de données elle-même. La fonctionnalité est disponible dans tous les niveaux d'Atlas, y compris le cluster gratuit M0, permettant aux développeurs d'expérimenter sans frais.
Conclusion
MongoDB Atlas Vector Search représente une étape significative dans l'intégration des bases de données vectorielles avec des magasins de documents traditionnels. En fournissant une plateforme unifiée pour les données opérationnelles et les vecteurs d'intégration, elle simplifie l'architecture des applications d'IA. Alors que la demande pour la IA générative et la recherche sémantique continue de croître, Atlas Vector Search est positionné comme un outil clé pour les développeurs créant des applications intelligentes.