_Spot_BS_ForestGreen-fqjzu3fhm3.png)
使用MongoDB构建AI：从预测性AI到生成性AI的路径探索
内容提要
该文章讨论了两家公司如何利用预测性人工智能构建应用，并探索生成性人工智能的潜力。MyGamePlan利用数据和分析改善职业足球运动员的表现，使用MongoDB Atlas作为数据库存储数据。Ferret.ai通过使用AI和MongoDB Atlas构建关系智能平台，提供实时的、无偏的情报，帮助建立信任关系。两家公司都在评估生成性人工智能对于提升用户体验的潜力。
延伸解读
从预测式AI到生成式AI的演进路径
文章指出，已从生成式AI中获益的组织通常已有预测式AI的使用经验。这得益于其内部实验文化、技能储备以及清洁数据。MyGamePlan和Ferret.ai正是如此：它们先构建预测式AI应用，再探索生成式AI以提升用户体验。这表明，预测式AI的积累为生成式AI的应用奠定了基础，但并非绝对前提，不同成熟度的组织均可借助MongoDB进行创新。
MongoDB Atlas在AI应用中的关键作用
两家公司都依赖MongoDB Atlas支持其AI需求。MyGamePlan利用Atlas存储比赛元数据、事件和跟踪数据，并直接进行应用内分析，避免数据移动。Ferret.ai则用Atlas存储数十亿文档的元数据和模型推理结果，并通过Atlas Triggers实现实时警报。Atlas的灵活性和开发者友好性，使其成为处理复杂AI数据关系的理想选择。
生成式AI的探索方向与技术选型
MyGamePlan正在试验基于自然语言处理的聊天和问答界面，使用OpenAI的ChatGPT LLM，结合Langchain编排和LlamaIndex的RAG，并利用MongoDB Atlas Vector Search统一向量存储。Ferret.ai则与Nvidia合作，探索使用Mistral模型进行数据摘要，认为其混合专家架构在资源开销上优于更大规模的通用模型。两者都旨在通过生成式AI改善用户理解和互动。
迁移到Atlas Search的成本与效率收益
Ferret.ai正从Amazon OpenSearch迁移到Atlas Search，以统一数据库和搜索，减少开发者认知负担，消除数据同步麻烦，并提升搜索结果的实时性。迁移后，预计每月云成本降低30%，同时获得多云灵活性。这体现了MongoDB平台在降低总拥有成本和提升开发效率方面的优势，为生成式AI的进一步开发铺平道路。
Q&A
MyGamePlan 如何利用 MongoDB Atlas 提升足球分析？
MyGamePlan 使用 MongoDB Atlas 存储比赛元数据、事件数据和跟踪数据，并通过 Python 数据管道将数据用于训练预测性 AI 模型，从而帮助教练和球员制定战术。
Ferret.ai 如何利用 MongoDB Atlas 构建关系智能平台？
Ferret.ai 将来自公共数据源的元数据和模型推理结果存储在 MongoDB Atlas 中，并通过 Atlas Triggers 实时监控分数变化，向客户应用发送警报，提供实时关系情报。
MyGamePlan 在生成性 AI 方面有哪些探索？
MyGamePlan 正在试验自然语言处理和聊天问答界面，使用 OpenAI 的 ChatGPT LLM、Langchain 编排、LlamaIndex 和 MongoDB Atlas Vector Search 实现检索增强生成，以帮助用户更轻松地提取见解。
Ferret.ai 如何通过迁移到 Atlas Search 降低成本？
Ferret.ai 从 Amazon OpenSearch 迁移到 Atlas Search，消除了数据库和搜索引擎之间的数据重复，每月云成本降低 30%，同时减少了同步数据的麻烦，提高了开发效率。
MongoDB Atlas 为 MyGamePlan 和 Ferret.ai 提供了哪些优势？
MongoDB Atlas 为两家公司提供了灵活性和高效性：MyGamePlan 利用其文档模型处理复杂关系，并直接在实时数据上构建分析；Ferret.ai 则受益于全托管服务、成熟的可扩展性以及统一数据库和搜索的单一 API。
Ferret.ai 在生成性 AI 方面有哪些探索？
Ferret.ai 的开发者正在探索使用生成性 AI 来总结数据源和分析，帮助客户更好地理解和互动。他们发现 Mistral 模型（混合专家集成）在资源开销较低的情况下效果优于一些更大的通用大语言模型。
