DataStax 如何让准确性成为生成式人工智能最宝贵的资产

作为 混合向量数据库的领导者，DataStax 起源于 Apache Cassandra®，这是一个开源数据库管理系统，它运行的非结构化数据比其他任何软件都多。Kapoor 解释说，成为一家 AI 公司是水到渠成的事，“没有大规模的非结构化数据，就没有人工智能。” 为了实现这一目标，DataStax 在将数据库向量化后，在该数据库基础上构建了产品，以便大型语言模型（LLM）能够理解这些数据。

从历史上看，随着新技术的出现，行业追求三个特性：可扩展性、可靠性和可用性。对于生成式人工智能，可扩展性和可用性是已经在不断强化的特性，而可靠性通常会随着时间的推移而增强。但 Kapoor 断言，还有一个新的特性仍需训练，那就是准确性。

“人们会开始为准确性付出更多，就像他们为 99.99% 的可用性支付更高成本一样，”他预测。DataStax 认为，我们才刚刚开始看到人工智能的潜力；凭借近乎实时的结果和更高的准确性，它将带来真正的变革。
 

尽管大型语言模型（LLM）为生成式人工智能应用提供内容，但智能情境对于生成最相关的输出和减少幻觉至关重要。正如 Kapoor 所说：“仅靠大语言模型无法实现准确性。” 为了实现这一目标，DataStax 使用了检索增强生成（RAG）等技术，以迭代方式将内容和情境结合起来。

他们的创新成果意味着，开发人员可以在各种数据格式中进行复杂的、上下文敏感的搜索，使生成式人工智能应用程序的 相关性提高 20%，查询响应速度加快 75 倍。同时，DataStax 的产品 Langflow 简化了检索增强生成技术，使开发人员能够轻松进行实验和部署应用程序。无论他们是在构建代理还是个性化的客户体验，都有工具来创造更好的产出。

在支持更多实验方面，DataStax 预计生成式人工智能将发生巨大转变。Kapoor 指出：“创新没有捷径。在尝试并经历几次失败之前，你无法制定出成功的方案，对吧？ 通过记录有效的方法并关注产品与市场的契合度，你可以尽快将项目投入生产。”

DataStax 曾管理大型企业最关键的工作负载，从数据公司转型为人工智能合作伙伴时，就建立了坚实的信任基础。目前，它已支持数百个可转改变客户商业模式的概念验证（POC）。Amazon Web Services 正是让投入生产的路径更轻松、更快速、更准确的关键因素。

例如，DataStax集成了 Amazon Bedrock，可轻松、可扩展地访问基础模型（FM），并集成了 亚马逊SageMaker 来统一其所有数据。 AWS Glue 还通过准备和整合不同的数据，帮助企业提高数据准确性，而 AWS PrivateLink 则简化了保护客户敏感数据的任务。

此外，AWS 工程师的实际支持和客户至上的理念，帮助 DataStax 取得了新的突破。“我喜欢 AWS 总是渴望做得更多，并且乐于尝试不同行事方式的态度，”Kapoor 说。“因为我们处于技术前沿，所以能在市场意识到需求之前就开发出产品，”他继续说道，“这就是神奇之处。”

展望未来，该企业预计多代理平台将有能力完成工作，而不仅仅是辅助工作。Kapoor 设想代理能够相互交流，并做出符合情境的回应并采取适当的行动。“未来，代理将成为我们构建软件的唯一方式。目前，我们正在与 AWS 合作，以实现这一目标。”Kapoor 说。

通过打造开发人员喜爱的产品，DataStax 帮助他们影响企业的发展轨迹。该公司高度关注人员、流程和技术，可帮助客户生成越来越有意义且准确的成果。随着开发过程持续积极推进，该公司相信人工智能将成为真正造福社会的力量。详细了解 AWS 如何助力软件和科技公司 在人工智能领域蓬勃发展。