Retool의 2023년 AI 현황 설문조사에서 가장 높은 개발자 순 추천지수(NPS)를 기록한 Atlas Vector Search

Retool은 최근에 AI 현황 보고서를 처음 발표했으며 충분히 읽어볼 가치가 있는 보고서입니다. 큰 인기를 끌었던 내부 도구 현황 보고서를 모델로 한 이번 AI 현황 설문조사는 소프트웨어 엔지니어링, 경영진, 제품 관리자, 디자이너 등 다양한 업계에 종사하는 1,500명 이상의 기술 전문가를 대상으로 진행되었습니다. 이 설문조사의 목적은 각 분야의 기술 담당자들이 인공 지능(AI)을 사용하고 구축하는 방법을 파악하는 것입니다.

Retool은 설문조사의 일환으로 AI에 가장 자주 사용되는 벡터 데이터베이스를 포함하여 어떤 도구가 인기가 있는지 조사했습니다. 이 설문조사에 따르면, MongoDB Atlas Vector Search는 출시 5개월 만에 가장 높은 순 추천지수(NPS)를 기록했으며, 두 번째로 널리 사용되는 벡터 데이터베이스였습니다. 따라서 수년 동안 사용되어 온 경쟁 솔루션보다 앞서 있습니다.

이 블로그 게시물에서는 벡터 데이터베이스의 놀라운 증가와 개발자가 Atlas Vector Search와 같은 솔루션을 사용하여 AI 기반 애플리케이션을 구축하는 방법을 살펴보겠습니다. 또한 Retool 보고서의 다른 주요 하이라이트도 다룰 것입니다.

벡터 데이터베이스 도입: 기대 이상의 발전

생성 AI 및 LLM에 대한 수학적 호기심부터 엄청난 능력에 이르기까지, 벡터 임베딩과 이를 관리하는 데이터베이스는 매우 짧은 시간에 큰 발전을 이루었습니다.

지난 12개월 동안 데이터베이스 모델의 DB-Engines 동향을 살펴보면 벡터 데이터베이스가 인기도 변화에서 다른 모든 데이터베이스보다 앞서고 있음을 확인할 수 있습니다. 아래 차트에서 분홍색 선의 '우상향' 궤도를 살펴보세요.

그런데 벡터 데이터베이스가 그토록 인기를 얻은 이유는 무엇일까요?

이는 사전 학습된 범용 LLM의 추론 기능을 결합하여 실시간 기업별 데이터를 제공하는 강력한 조합인 검색 증강 생성(RAG라고도 함)이라는 새로운 아키텍처 패턴의 핵심 구성 요소입니다. 그 결과 신제품 개발, 고객 경험의 재구상, 내부 생산성 및 효율성 향상 등 비즈니스에 고유한 서비스를 제공하는 AI 기반 앱이 탄생했습니다.

벡터 임베딩은 RAG의 기능을 활용하는 데 필요한 기본 구성 요소 중 하나입니다. 벡터 임베딩 모델은 텍스트, 코드, 비디오, 이미지, 오디오 스트림, 테이블 등 엔터프라이즈 데이터를 벡터로 인코딩합니다. 그런 다음 벡터 데이터베이스 또는 벡터 검색 엔진에 해당 벡터를 저장, 인덱싱, 쿼리하여 선택한 LLM에 관련 입력 데이터를 컨텍스트로 제공합니다. 그에 따라 비즈니스와 관련이 있으며 정확하고 신뢰할 수 있는 최신 엔터프라이즈 데이터 및 지식을 기반으로 하는 AI 앱이 탄생합니다.

Retool 설문조사에서 알 수 있듯이 벡터 데이터베이스 환경은 여전히 대부분 미개발 단계입니다. 현재 응답자 중 20% 미만이 벡터 데이터베이스를 사용하고 있지만, 모델 및 AI 인프라를 맞춤화하려는 추세가 커지면서 채택률도 높아질 것입니다.

개발자가 Atlas Vector Search를 채택하는 이유는 무엇일까요?

Retool의 AI 현황 조사에서는 지난 몇 년 동안 특히 문맥 인식 시맨틱 검색이 필요한 애플리케이션 분야에서 새로운 길을 개척한 몇 가지 훌륭한 벡터 데이터베이스를 소개합니다. 제품 카탈로그나 콘텐츠 검색을 생각해 보세요.

그러나 개발자가 이러한 벡터 데이터베이스를 사용할 때 직면하는 문제는 애플리케이션의 기술 스택에 있는 다른 데이터베이스와 함께 통합해야 한다는 것입니다.

애플리케이션 기술 스택에 데이터베이스 계층이 추가될 때마다 복잡성, 지연 시간 및 운영 오버헤드 등의 원인이 됩니다. 즉, 조달, 학습, 통합(개발, 테스트, 프로덕션용), 보안 및 인증, 확장, 모니터링, 백업을 위한 또 다른 데이터베이스를 보유하게 되며, 이 모든 것이 여러 시스템에서 데이터를 동기화하면서 이루어집니다.

MongoDB는 이러한 문제를 완전히 피하는 다른 접근 방식을 취합니다.

• 개발자는 운영 데이터베이스로 사용하는 시스템에서 기본 벡터 임베딩을 저장하고 검색합니다.

• MongoDB의 분산 아키텍처를 사용하면 데이터를 완전히 동기화된 상태로 유지하면서 이러한 다양한 워크로드를 격리할 수 있습니다.

• 검색 노드는 메모리 집약적인 벡터 검색 워크로드에 필수적인 전용 컴퓨팅 및 워크로드 격리를 제공하므로 성능이 향상되고 가용성이 높아집니다.

• 개발자는 MongoDB의 유연하고 동적인 문서 스키마를 통해 다른 데이터베이스에서는 불가능한 방식으로 벡터, 메타데이터, 애플리케이션 데이터 간의 관계를 모델링하고 발전시킬 수 있습니다.

• 가장 널리 사용되는 모든 프로그래밍 언어를 지원하는 표현식 쿼리 API와 드라이버를 통해 애플리케이션에 필요한 방식으로 벡터 및 운영 데이터를 처리하고 필터링할 수 있습니다.

• 완전 관리형 MongoDB Atlas 개발자 데이터 플랫폼을 사용하면 개발자가 애플리케이션 사용자가 기대하는 확장성, 보안 및 성능을 달성할 수 있습니다.

이 통합된 접근 방식은 개발자에게 어떤 의미가 있을까요? 더 낮은 운영 오버헤드 및 비용과 함께 최신 데이터로 더 빠른 개발 주기와 더 짧은 지연 시간을 제공하는 고성능 앱입니다. 이러한 결과는 MongoDB의 동급 최강의 NPS 점수에 반영되어 있습니다.

MongoDB를 사용한 AI 구축 블로그 시리즈를 확인하세요(지난호를 보려면 시작하기 섹션 참조). 여기에서는 챗봇 및 음성 봇, 공동 파일럿, 위협 인텔리전스 및 사이버 보안, 계약 관리, 질문 답변, 의료 규정 준수 및 치료 보조, 콘텐츠 검색 및 수익화 등 대화형 AI를 아우르는 GenAI 기반 애플리케이션에 사용되는 Atlas Vector Search를 확인할 수 있습니다.

Retool 보고서를 통해 AI의 현황에 대해 무엇을 알 수 있을까요?

이 설문조사에서는 가장 인기 있는 벡터 데이터베이스를 알아보는 것 외에도 다양한 관점에서 AI를 다루고 있습니다. 이 설문조사는 응답자들의 AI에 대한 인식을 조사하는 것으로 시작됩니다. 당연히 개인 기여자보다 최고 경영진이 더 낙관적인 입장을 보였습니다. 그런 다음 투자 우선순위, AI가 미래 직업 전망에 미치는 영향, 개발자와 미래에 필요한 기술에 어떤 영향을 미칠지 살펴봅니다.

또한 설문조사를 통해 AI 도입 및 성숙도 수준을 조사합니다. 설문조사 응답자의 75% 이상이 회사에서 AI를 도입하기 위해 노력하고 있다고 답했으며, 그 중 절반 가량은 아직 초기 프로젝트이며 주로 내부 애플리케이션에 초점을 맞추고 있다고 답했습니다. 설문조사에서는 해당 애플리케이션이 무엇인지, 그리고 응답자가 해당 애플리케이션이 비즈니스에 얼마나 유용하다고 생각하는지 조사합니다. 허용 여부에 관계없이 거의 모든 사람이 직장에서 AI를 사용하고 있음을 확인한 다음 가장 큰 문제점을 식별합니다. 모델 정확도, 보안, 환상이 상위권을 차지한 것은 놀라운 일이 아닙니다.

설문조사는 사용 중인 상위 모델을 살펴보는 것으로 마무리됩니다. Open AI의 제품이 선두를 달리고 있는 것은 놀라운 일이 아니지만, 향후 커스터마이징을 위해 AI 인프라 및 도구와 함께 오픈 소스 모델을 사용하려는 의향이 증가하고 있음을 나타냅니다.

보고서를 읽어 보면 설문조사에 대한 자세한 내용을 확인할 수 있습니다.

Atlas Vector Search 시작하기

Vector Search 서비스를 살펴보고 싶으신가요? Atlas Vector Search 제품 페이지로 이동하세요. 여기에서 튜토리얼, 설명서, 주요 AI 에코시스템 통합으로 연결되는 링크를 찾을 수 있으며, 이를 통해 나만의 GenAI 기반 앱을 바로 구축할 수 있습니다.