Искусственный интеллект, в частности генеративный ИИ (GenAI), переживает стремительный взлет. Изначально он завоевал популярность как потребительский инструмент, но теперь его используют и предприятия, которые ищут различные способы задействования его преобразующей силы. В связи с этим вызывает интерес, насколько предприятиям удается внедрить GenAI в свои рабочие процессы, чтобы улучшить качество обслуживания клиентов и переосмыслить бизнес-процессы.

Компания Retool, одна из ведущих платформ разработки бизнес-ПО, только что опубликовала свой первый отчет «State of AI», чтобы помочь нам понять, как технологические специалисты используют и создают ИИ, и какие векторные базы данных оказались наиболее успешными, сообщает портал Datanami. Отчет основан на опросе 1500 технологических специалистов из различных отраслей. Среди респондентов — менеджеры по продуктам, руководители и инженеры-программисты.

«Революция в области ИИ освещается с придыханием, но мы гораздо меньше знаем о сценариях его использования, особенно в бизнесе, — говорит Дэвид Хсу, генеральный директор и основатель Retool. — Мы провели этот опрос и подготовили отчет, поскольку невозможно по-настоящему использовать ИИ, не разобравшись в том, как он применяется. Полученные нами результаты свидетельствуют о том, что ИИ не заменяет большинство технических профессий, а меняет их, и люди ухватываются за технологии, которые помогают им ускорить и улучшить работу».

Ключевым компонентом отчета стал анализ использования векторных баз данных в бизнесе. Результаты показали, что MongoDB Atlas Vector Search имеет самый высокий показатель Net Promoter Score (NPS) и является второй по распространенности векторной базой данных, уступая лишь Pinecone. Учитывая, что MongoDB Atlas Vector Search была выпущена всего пять месяцев назад, это впечатляющее достижение.

В отчете также подчеркивается, что на данном этапе векторные базы данных являются скорее «непаханным полем», поскольку их используют менее 20% респондентов, однако тенденции показывают, что их распространение будет расти. Причины, по которым уровень внедрения векторных баз данных остается низким, могут быть различными. Некоторым компаниям может не хватать ресурсов, другие могут не обладать необходимыми специальными знаниями или не понимать ценности векторных баз данных.

Хотя время векторных баз данных еще не пришло, выявленные DB-Engines тенденции показывают, что за последние 12 месяцев векторные базы данных по популярности превосходят все остальные.

Основной причиной такого всплеска популярности является архитектура RAG (retrieval-augmented generation, генерация с расширенным извлечением), которая объединяет возможности рассуждений предварительно обученных больших языковых моделей (LLM) с данными, поступающими от компаний в режиме реального времени. Это позволяет создавать приложения на базе ИИ, предназначенные для уникального обслуживания предприятий с различными целями, включая повышение внутренней производительности, переосмысление клиентского опыта и создание новых продуктов.

Одна из ключевых проблем векторных баз данных заключается в том, что они должны быть интегрированы с другими базами данных в технологическом стеке приложений. Каждая дополнительная база данных создает дополнительный уровень сложности и задержки в работе приложения. Кроме того, увеличиваются эксплуатационные расходы.

MongoDB предлагает решение этой проблемы, позволяя разработчикам хранить и искать векторные вложения в одной и той же системе в качестве операционной базы данных и использовать распределенную архитектуру, которая позволяет изолировать различные рабочие нагрузки, сохраняя при этом полную синхронизацию данных. Кроме того, разработчики могут использовать схему динамических документов MongoDB для моделирования и развития отношений между данными приложения, векторами и метаданными. Такой унифицированный подход позволяет снизить задержки, повысить производительность приложений и ускорить циклы разработки.

В отчете Retool приводятся интересные данные об использовании ИИ в бизнесе. Руководители высшего звена более оптимистично относятся к ИИ по сравнению с отдельными сотрудниками. Более 75% опрошенных заявили, что их компании предпринимают попытки начать работу с ИИ, при этом 50% отметили, что это проекты на ранних стадиях, в основном ориентированные на интернет-приложения. В отчете также отмечается, что основными проблемами, препятствующими внедрению ИИ, являются точность вывода моделей (40%) и безопасность данных (33%).

Компаниям еще предстоит пройти долгий путь, чтобы в полной мере использовать возможности ИИ, но интерес к нему в разных отраслях, безусловно, велик, и компании задумываются о возможностях и последствиях применения технологий ИИ.