شرکت MongoDB نسخه 9.0 از پلتفرم خود را با بهبودهای چشمگیر در زمینه سرعت و مقیاسپذیری معرفی کرده است. این بهروزرسانی شامل قابلیتهای جدیدی مانند Atlas Infinite، که محاسبات و فضای ذخیرهسازی را به صورت نامحدود جدا میکند، و همچنین هوش مصنوعی” class=”keyword-link” target=”_blank” rel=”noopener noreferrer” style=”text-decoration: none; color: #0056b3; border-bottom: 1px dotted #0056b3;”>Atlas AI Engine است که راهکاری جامع برای بهرهبرداری از عوامل هوش مصنوعی (AI Agents) در اکوسیستم MongoDB ارائه میدهد.
پلتفرم مدیریتشدهی Atlas، که بر پایهی دیتابیس اسناد بنا شده و از سرویسهای ابری AWS، Azure و Google Cloud پشتیبانی میکند، بیش از 70 هزار مشتری را در حوزههایی نظیر جستجو، جستجوی برداری (Vector Search)، دادههای سری زمانی (Time Series)، پردازش جریانها (Stream Processing) و بایگانی آنلاین (Online Archive) جذب کرده است. MongoDB پیشتر در سال ۲۰۲۵ شرکت Voyage AI را برای بهینهسازی فرآیندهای تعبیهسازی و رتبهبندی مجدد (Reranking) خریداری کرده بود. در ماههای اخیر، شاهد معرفی ویژگیهای نوآورانه همچون جستجوی بومی رتبهبندی مجدد (Native Reranking)، جستجوی ترکیبی (Hybrid Search)، تولید خودکار تعبیهسازیها (Automated Embeddings)، همگامسازی Iceberg از پردازش جریانها (Stream Processing)، خوشههای نسل دوم Atlas Gen2 و یک سرور MCP مدیریتشده برای عوامل کدنویسی بودهایم. حال، Atlas Agent Engine با بهرهگیری از تواناییهای Voyage AI، به تیمهای توسعه این امکان را میدهد تا عوامل خود را بهصورت ماژولار وارد فاز عملیاتی کنند.
نسخه 9.0 همچنین از جستجو در دادههای رمزنگاریشده (Encrypted Data) با استفاده از پیشوندها (Prefix)، پسوندها (Suffix) و زیررشتهها (Substring) پشتیبانی میکند، که این امر به مشتریان اجازه میدهد اطلاعات حساس را بدون نیاز به رمزگشایی جستجو کنند.
اما نوآوریهای MongoDB در همین موارد خلاصه نمیشود. Intelligent Workload Management بهطور خودکار از خوشههای دیتابیس در برابر بار سنگین درخواستها محافظت میکند و اطمینان حاصل میشود که عملیات کوتاهمدت حتی در شرایط تقاضای غیرقابل پیشبینی نیز به روال خود ادامه مییابد. قابلیتهای بهبودیافتهی پشتیبانگیری (Backup)، بازیابی (Restore) و ترمیم (Recovery) نیز دسترسی مداوم به برنامه را حفظ کرده و سرعت بازیابی را افزایش میدهند. بهبود قابلیت رصدپذیری (Observability)** با پشتیبانی گستردهتر از OpenTelemetry حاصل شده است.
آزمایشهای داخلی انجامشده بر روی MongoDB 9.0 نشان میدهد که Atlas Infinite تا 189% بازدهی بیشتری نسبت به Atlas Core در واحد هزینه ارائه میکند. Icon Solutions، یکی از مشتریان MongoDB، با استفاده از این مزایا موفق به پردازش 55% بیشتر تراکنشها در ثانیه شده است و آنهم بدون نیاز به اعمال تغییراتی در کد برنامه.
Atlas Infinite یک مدل قیمتگذاری جدید را معرفی میکند که بر اساس میزان مصرف محاسبات و فضای ذخیرهسازی تعیین میشود. به این ترتیب، مشتریان تنها برای ظرفیتی که واقعاً از آن استفاده میکنند هزینه پرداخت خواهند کرد، نه ظرفیت پیشبینیشده برای پاسخگویی به اوج تقاضا.
پابلو استرن-پلازا (Pablo Stern-Plaza)، مسئول ارشد محصولات در MongoDB با اشاره به چالشهای موجود اظهار داشت: «سازمانهایی که میخواهند عوامل هوش مصنوعی را وارد فاز عملیاتی کنند، اغلب با یک معضل مواجه هستند: یا باید از پلتفرم یک فروشنده استفاده کرده و در مدل و فضای ابری او گرفتار شوند یا چارچوب جداگانهای را ایجاد کرده و مدیریت حاکمیت و حافظه را خود بر عهده بگیرند.»
این «معضل» با توجه به معرفی Atlas Agent Engine از بین میرود. به این ترتیب، سازمانها میتوانند به اطلاعات زمینه (Context) مورد نیاز برای عوامل خود دسترسی پیدا کنند و در عین حال از حاکمیت و امنیت داخلی بهرهمند شده و آزادی عمل لازم را برای استفاده از هر مدل، چارچوب و فضای ابری داشته باشند.
MongoDB معتقد است که سازمانها برای استقرار عوامل هوش مصنوعی باید امکاناتی برای کنترل و مدیریت آنها فراهم کنند. این امکانات شامل موارد زیر میباشند:
- هویتسنجی، قابلیت ردیابی (Auditability)، محدودیتهای کنترلی (Action Guardrails) و اقدامات کنترل هزینه
- حافظهی چند جلسهای برای جلوگیری از محاسبات مکرر راهاندازی عامل
Atlas AI Engine (AAIE)** این ویژگیها را به صورت ماژولار ارائه میدهد. یک صفحه کنترل (Control Plane) تضمین میکند که هر اقدام انجام شده توسط عامل، با یک هویت واقعی – چه انسانی و چه خود عامل – ثبت و تحت سیاستهای تعیینشده قرار گیرد. حافظهی داخلی با استفاده از تعبیهسازیها و بازیابی بومی Voyage AI به کار گرفته شده است تا از تکرار استفادهی توکن راهاندازی مجدد جلسات جلوگیری شود.
MongoDB ادعا میکند مدلهای تعبیه و رتبهبندی Voyage AI در میان بهترین عملکردها در معیار Retrieval Embedding Benchmark (RTEB) قرار دارند که نشاندهندهی دقت بالای آنها در بازیابی اطلاعات سازمانی است، برخلاف مجموعههای دادهی صرفاً آکادمیک.
AAIE مدل-محور نیست و بر پایهی استانداردهای باز مانند MCP و A2A ساخته شده است. این امر آن را خنثی نسبت به انواع مدلها و چارچوبهای هوش مصنوعی کرده و امکان اجرا در هر فضای ابری، محیط خودمدیریتشده یا حتی لپتاپ را فراهم میکند، بهطوری که یک عامل میتواند بدون نیاز به بازسازی مجدد در هر فضای ابری، بهطور یکسان عمل کند.
📌 توجه: این مطلب از منابع بینالمللی ترجمه و بازنویسی شده است.