本文内容摘录自MongoDB白皮书《应用程序驱动型智能：定义下一代成功的现代应用程序》，若需获取白皮书原版pdf，请见文末获取方式。
构建更智能应用程序的必要性
要在数字经济时代保持竞争力并站稳脚跟，您需要让自己的应用程序变得更加智能。更智能的应用会使用数据、AI 和分析技术以自然语言与用户互动，生成见解并自主采取相应行动。这样可以带来两个好处：
1、与您的业务进行交互时，应用可通过提升客户体验和满意度来提高竞争优势。
2、应用可通过更快地制定明智的决策来提高效率和盈利能力。
对于这些提供价值的更智能、采用AI 技术的应用，它们必须直接在应用流内实时处理实时数据。思考以下应用场景：
在客户浏览电商网站时，提供高度个性化的服务，并使用自然语言、通过聊天机器人与客户互动。
在支付处理过程中检测并阻止欺诈交易。
在用户叫车时动态调整定价。
为音频流和视频流提供实时字幕和翻译。
除此之外，企业还希望针对运营流程自动制定决策并提供预测见解，以便应对当下情况，例如：
监控库存，以便在最佳时间推出限时抢购活动或调整供应链订单。
汇总支持案例并根据在线评价提取情感，以不断改进产品和促销活动。
通过分析传感器遥测数据预测设备故障。
生成并测试经过SEO 优化的网页的多个副本，以提高发现率和点击率。
为了构建这样新一代的智能应用程序，我们不能再仅仅依靠将数据从我们的操作系统复制到集中式分析数据仓库和数据湖中——在不同系统之间移动数据不仅耗时，并且会导致分析应用程序事件与采取行动之间出现分离。
相反，我们必须将一种新的AI和分析处理直接引入数据源，即应用程序本身，以便采用通过实时处理新鲜数据来提供价值所需的新工具、技术和工作流程。我们将这种方法称为应用程序驱动型智能。
这些示例虽然来自不同的行业和场景，但它们都有一个共同的关键需求：需要使用实时系统中的最新数据，提供实时智能、机器学习模型推理，以及采取相应行动。其输出控制着应用程序的行为，并为生成式AI提供了基准真值上下文。
当前的AI和分析技术面临数据实时处理的挑战
白皮书用表格深入分析了「应用程序」（操作型数据库）与「集中式分析系统」（数据湖仓）处理数据方式的差异。
过去，这两者分别负责业务的运行和管理、由不同的团队管理、服务于不同需求的受众。「集中式分析系统」设计用于运行繁重、高度复杂的BI 报告和数据科学查询，未被设计为用于满足操作型应用程序（服务于数以千计的并发用户）的需求。它们无法对应用程序查询为代表的记录子集提供毫秒级的细粒度访问、不支持应用程序不断添加到、更新且随后实时查询以检索LLM 提示或模型推理的最新业务上下文的数据集。
传统的BI报告和离线机器学习模型，已无法满足实时智能和机器学习模型推理的需求。除此之外，还有部门孤岛的问题：分析团队往往被安置在集中式后勤部门，每当业务有新的分析报告需求时，都需要分析团队花费较多的时间和精力执行整个分析流程。应用程序与分析的交付速度不一致，进一步阻碍了向应用程序驱动型智能的转变。
需要做出哪些改变？
因此，我们需要将AI和分析处理直接引入数据源——即应用程序本身，以实现应用程序驱动型智能。
应用程序驱动型智能不是试图将数据仓库或数据湖引入应用程序。相反，这是一种新型的AI 和分析，能够为数千个并发用户以低延迟的智能方式自动处理新鲜数据并提供见解。软件和模型通常会使用推理、提示和分析输出，以产生上下文体验，提供即时见解并促使采取行动。它们不是用于管理业务的仪表盘，也不是用于训练和调整离线自定义模型的信号。因此，应用程序中的分析和AI 查询仅接触几十到数千条记录，而不是数百万条记录。它们使用的是应用程序正在处理的实时数据，而不是经过数月甚或数年从几十个不同的数据源获取和合并的数据。
开发者和分析团队对于数据平台的功能有着各种不同的需求。白皮书中直观汇总了实现应用程序驱动型智能所需的各种功能，您可以下载pdf以查看更详细的内容。
交付应用程序驱动型智能的方法
超大规模服务提供商可以提供所需的功能，但是，这些服务是孤立的基本单元，而不是集成的平台。这意味着您的团队需要完成许多自定义工程工作，例如拼凑多个数据库、构建ETL 数据管道、设立自己的API 层等。所有这些复杂性都会带来巨大开销，和导致碎片化且低效的开发者体验，以及阻碍团队尝试采用应用程序驱动型智能，使得企业竞争力处于劣势。
但是，MongoDB 为您提供了一种更好的方式。
MongoDB如何提供帮助？
基于MongoDB Atlas构建的MongoDB 开发者数据平台统一了操作、AI 和分析数据服务，可简化构建AI 强化应用的过程。
Atlas 能够以适合开发者的工作流程、框架和语言的方式，将强大的AI 和分析功能直接交到开发者手中。借助Atlas，开发者可以获得任何结构的数据、对其编制索引、查询、搜索并分析数据，以应用所需的任何方式提供模型上下文和推理，然后对提示和推理步骤进行存档，以获得长期的模型记忆。所有这些操作均可在使用统一的API 和灵活的数据模型的情况下进行，而无需构建自己的数据管道或复制数据。
MongoDB Atlas 将事务处理、AI 处理和分析处理与统一的开发者原生API 和灵活的文档数据模型整合到了一个多云数据平台中。
同时，分析团队可以使用自己首选的基于SQL 的工具访问实时应用程序数据。这些工具可以在不干扰应用程序的情况下使用此类新鲜数据，能够为企业主生成见解，以及将训练数据输入到其自定义模型中。
Atlas 支持任何级别的应用智能，从查询记录和通过语义与关键词搜索来检索信息到聚合和转换数据，提供基于规则的引擎和特征存储，直到使用实时数据增强LLM 和传统AI 模型。Atlas 会自动优化数据的获取、处理和存储方式，最大限度地提高应用程序的操作、AI 和分析工作负载的效率。这些功能全部打包在一个巧妙的集成式多云数据架构中。
MongoDB Atlas 在AWS、Azure 和Google Cloud 上的110 多个区域中运行。这样您就可以在任何所需位置自由运行AI 工作负载。您可以将自己的应用置于靠近用户的位置，以保护数据主权并减少延迟，或者可以灵活地利用任何超大规模服务提供商的最新AI 创新，同时Atlas 会为您处理所有数据移动。
启动应用程序驱动型智能
从将最新的生成式AI 嵌入应用中到训练并服务于您自己的机器学习模型，无论您要如何利用AI，MongoDB Atlas都能让您更快地实现应用智能。从原型到企业就绪，您可以确保自己的应用以最新的真实操作数据为基础，同时满足用户期望的规模、安全性和性能要求。
白皮书中对MongoDB Atlas的以下主要功能展开了详细的介绍：
统一的操作、AI、分析和流式数据服务
灵活的文档数据模型
优化的数据存储和分层
富有表现力的开发者原生API
原生向量和关键词搜索
广泛的集成生态系统
应用程序驱动型智能正被广泛使用
《2022 年第4 季度Forrester Wave：事务分析型数据平台》报告将MongoDB 评为领导者，理由如下：“总体而言，MongoDB 非常适合那些以开发者为核心推进相应策略的客户，因为开发者需要将分析融入应用程序。”
Ventana Research 在其《分析师观点》中建议“评估潜在数据库提供商能否提供新的智能操作应用程序的组织，应将MongoDB Atlas 纳入其评估范围。”
MongoDB 在全球拥有43,000多家客户，涵盖所有行业和规模，其中包括50%以上的财富100 强企业。许多客户已开始使用MongoDB 作为新的云原生应用程序以及现代化的传统应用的操作数据库。
现在越来越多的客户正在构建新的应用程序，并使用由MongoDB 提供支持的应用程序驱动型智能来丰富现有的应用程序。包括西班牙电信、博世、Marks and Spencer、Toyota Financial Services等在内的多个行业和应用场景的客户，正受益于由MongoDB 提供支持的应用驱动型分析，白皮书中以表格总结了这些用例。
开始使用
应用程序驱动型智能正在定义下一代成功的现代应用程序。开发者需要以过去专门的分析和数据科学团队所擅长的方式来处理数据和AI/ML 模型。同时，这些数据团队需要直接访问源操作数据，以便创建更新的模型并解锁实时业务可见性。
MongoDB Atlas 开发者数据平台旨在帮助这两个团队“乘风破浪”，从而打造更快、更智能的应用和自动化业务流程，能够更快地对快速变化的操作数据做出反应和响应。
对于您的团队而言，开始使用我们产品的最佳方式是在MongoDB Atlas上注册一个帐户，并创建一个免费的数据库集群。此外，MongoDB还提供了一系列培训、资源和咨询服务，帮助您通过更好的应用程序满足用户期望、通过AI和分析制定更明智的决策和行动。欢迎访问MongoDB中文官网了解更多信息。
