MongoDB Doubles Down on Aotearoa as Part of Continued APAC Expansion

Anoop Dhankhar
November 30, 2023

MongoDB is expanding its business in New Zealand to help Kiwi organisations build modern applications and take advantage of the AI opportunity that exists today. With hundreds of customers already in Aotearoa, including Pathfinder, Rapido, and Tourism Holdings, we're continuing to hire and invest to continue to grow our community in the country.

Powering the next generation of modern applications

Interest and excitement in AI, and particularly generative AI, has exploded. With a proud history of Innovation, it's not a surprise that many New Zealand companies are early adopters of this incredible technology. In fact, an AI Forum report has revealed that AI has the potential to increase New Zealand's GDP by as much as $54 billion by 2035.

No matter what you think of the veracity of those bold predictions, one thing is sure: Almost every company is trying to figure out how to take advantage of data and software, to help them build better products, more efficiently and more quickly.

Jake McInteer speaking at MongoDB.local Auckland

As organisations transform into digital-first businesses, they’re faced with a growing list of application and data requirements. Modern applications are complex – they need to handle transactional workloads, app-driven analytics, full-text search, AI-enhanced experiences, stream data processing, and more. Companies are being asked to do this all while reducing data infrastructure sprawl, complexity and often also cut costs.

What we are seeing globally is our developer data platform solves this challenge and complexity since it integrates all of the data services organisations need to build modern applications in a unified developer experience.

Additionally, we also allow our customers to easily run anywhere in the world with over 110+ locations making us uniquely placed to enable Kiwi companies to adapt to a multicloud future. We also have strong local partnerships with all three cloud hyperscalers, all of which plan to open new cloud regions in New Zealand in the coming years.

With the support of our cloud partners, in New Zealand we've already seen great adoption of MongoDB Atlas, including the largest established enterprises, through to cutting-edge startups. Here are a couple of examples.

Pathfinder: Protecting vulnerable children

Pathfinder, headquartered in Auckland, is a global leader in software development specialising in protecting vulnerable children. The company's mission centres on empowering law enforcement agencies with state-of-the-art technology, meticulously designed to combat the reprehensible crime of child exploitation.

"We are committed to delivering investigators the most advanced tools. We cannot accept delays in removing a child from harm due to investigations being overwhelmed by large amounts of disparate data. In situations where every minute impacts a child's well-being, these tools must enable investigators to swiftly navigate data challenges, and rapidly apprehend perpetrators" said Bree Atkinson, CEO of Pathfinder Labs.

Pathfinder’s Paradigm service is being built on MongoDB Atlas, running on AWS, and takes advantage of the wider developer data platform features in order to enable the next generation of data-driven investigative capabilities.

By using MongoDB Atlas Vector Search, a native part of the MongoDB Atlas platform, the Pathfinder team are also able to match images and details within images (such as people and objects), classify documents and text, and build better search experiences for their users via semantic search. This enables Paradigm to efficiently aid law enforcement in identifying victims and apprehending offenders.

Bree Atkinson, CEO of Pathfinder Labs, and Peter Pilly, DevOps Architect at Pathfinder Labs, with the MongoDB team in Auckland at the recent .local event

"MongoDB Atlas allows our team to focus on our strengths: developing outstanding technology. It works with us not against us, enhancing integration which enables us to build better user experiences," said Peter Pilley, DevOps Architect at Pathfinder Labs.

"Take MongoDB Atlas Vector Search, for example. Before MongoDB, we would have needed to incorporate multiple tools to achieve that functionality. Now we can handle it all from a single platform removing complexity and architecture that wasn't needed. With MongoDB Atlas, we're able to make data-driven decisions swiftly, boosting our productivity and decision-making speed."

Peter's team at Pathfinder also uses MongoDB's performance advisor. They say it's like having an extra team member who suggests the best indexes for accessing their data, which is critical in an industry where getting to a specific piece of data could make all the difference.

Rapido: Optimising B2B revenue and distribution

Rapido has been utilising MongoDB Atlas for over five years. The team was originally part of MongoDB for Startups, a programme that offers startups free credits and technical advice to help them build faster and scale further. Their eagerness to adopt new technologies has enabled them to effectively harness MongoDB Atlas's evolving features.

Working with the Accredo ERP system, Rapido has harnessed MongoDB Atlas to innovate in business-to-business (B2B) transactions. Using features like MongoDB Atlas Vector Search, the 'moreLikeThis' operator, and MongoDB App Services, they've transformed business interactions, offering precise product recommendations and improved real-time visibility via change streams. Rapido's platform, which has processed orders collectively worth more than $100m to date, is essential for many wholesale businesses in New Zealand.

Adam Holt, CEO of Rapido, summarises their experience: "Our journey with MongoDB Atlas has been transformative. By building on a cohesive developer data platform, we don't need to bolt-on and learn special technologies for every requirement. Continuously integrating new features keeps our platform advanced in the fast-paced B2B market. It's about leveraging technology to innovate and deliver better solutions to our clients."

MongoDB expands in Aotearoa

The increased demand from Kiwi organisations who are looking to innovate faster and take advantage of cutting-edge technologies, like AI, means MongoDB is now doubling down on its New Zealand footprint.

Earlier this month, MongoDB established its local operations in Aotearoa, New Zealand. Jake McInteer, a native Kiwi, has officially transferred from MongoDB’s Australia business to lead the organisation in New Zealand. MongoDB already has a large, engaged community, more than 200 customers, and an extensive partner network.

CEO of Lumin Max Ferguson presents at the Christchurch MongoDB user group

We are incredibly excited about the opportunity to invest in and contribute to the Kiwi tech ecosystem, both to support local companies and help kiwi startups like Lumin and Marsello as well as established companies like Tourism Holdings, Figured, and Foster Moore.

To support our growth, we have roles open on our Sales and Solutions Architecture team. If you are based in NZ and interested in joining our incredible team, working in our hybrid environment, please check out and apply for the roles here:

Additionally, read here about the massive opportunity at MongoDB in APAC from our SVP Simon Eid.

← Previous

Atlas Vector Search obtient le NPS le plus élevé pour les développeurs dans le cadre de l'enquête Retool State of AI 2023

Retool vient de publier son tout premier rapport sur l'IA et il vaut le détour . Inspirée de son célèbre rapport State of Internal Tools, l'enquête sur l'état de l'IA a examiné plus de 1 500 spécialistes de la technologie issus de divers secteurs d'activité : ingénieurs logiciels, dirigeants, chefs de produit, concepteurs, etc. Son objectif est de comprendre comment ils exploitent l'intelligence artificielle (IA). Dans le cadre de cette enquête, Retool s'est penché sur les outils les plus populaires, y compris les bases de données vectorielles les plus utilisées avec l'IA. Elle a révélé que MongoDB Atlas Vector Search a obtenu le Net Promoter Score (NPS) le plus élevé et est la deuxième base de données vectorielle la plus utilisée, cinq mois seulement après son lancement. Elle devance ainsi des solutions concurrentes qui existent depuis des années. Dans cet article, nous examinerons l'essor phénoménal des bases de données vectorielles et comment les développeurs utilisent des solutions telles qu'Atlas Vector Search pour créer des applications alimentées par l'IA. Nous aborderons également d'autres points clés du rapport Retool. Consultez notre page de ressources sur l'IA pour en savoir plus sur la création d'applications alimentées par l'IA avec MongoDB. Adoption des bases de données vectorielles : en plein essor (enfin presque…) De la curiosité mathématique à la superpuissance à l'origine de l’IA générative et les LLM, les vector embeddings et les bases de données qui les gèrent ont parcouru un long chemin en très peu de temps. Découvrez les tendances des modèles de base de données de DB-Engines au cours des 12 derniers mois et vous verrez que les bases de données vectorielles dépassent de loin toutes les autres en termes de popularité. Il suffit de regarder la trajectoire «de la ligne rose « vers le haut et vers la droite » dans le graphique ci-dessous. Capture d'écran avec l'aimable autorisation de DB-Engines, 8 novembre 2023 Mais pourquoi les bases de données vectorielles sont-elles devenues si populaires ? Ils constituent un élément clé d'un nouveau modèle architectural appelé « génération augmentée de récupération » ( RAG ). Il s'agit d'un puissent mélange qui combine les capacités de raisonnement des LLM préformés et polyvalents et les alimente en données spécifiques à l'entreprise en temps réel. Il en résulte des applications alimentées par l'IA qui apportent des solutions uniques à l'entreprise, qu'il s'agisse de créer de nouveaux produits, de repenser l'expérience client ou d'optimiser la productivité et l'efficacité. Les vector embeddings sont essentielles pour exploiter tout le potentiel de la RAG. Leurs modèles encodent les données d'entreprise, qu'il s'agisse de texte, de code, de vidéo, d'images, de flux audio ou de tableaux, comme les vecteurs. Ces derniers sont ensuite stockés, indexés et interrogés dans une base de données vectorielle ou un moteur de recherche vectorielle, fournissant les données d'entrée pertinentes en tant que contexte au LLM sélectionné. Il en résulte des applications d'IA fondées sur des données d'entreprise et des connaissances pertinentes pour l'activité, précises, fiables et à jour. Comme le montre l'enquête Retool, le paysage des bases de données vectorielles reste encore à exploiter. À l'heure actuelle, moins de 20 % des personnes interrogées les utilisent, mais avec la tendance croissante à la personnalisation des modèles et l’infrastructure d’IA, elles devraient être de plus en plus plébiscitées. Pourquoi les développeurs adoptent-ils Atlas Vector Search ? L'enquête de Retool présente d'excellentes bases de données vectorielles qui ont ouvert la voie au cours des deux dernières années, en particulier dans les applications nécessitant une recherche sémantique contextuelle. Pensez aux catalogues de produits ou à la découverte de contenu. Cependant, le défi auquel les développeurs sont confrontés lorsqu'ils utilisent ces bases de données vectorielles est qu'ils doivent les intégrer avec d'autres bases de données dans la pile technologique de leur application. Chaque couche de base de données supplémentaire de la pile technologique des applications renforce la complexité, la latence et les frais généraux. Cela signifie qu'ils doivent se procurer une autre base de données, l'assimiler, l'intégrer (pour le développement, les tests et la production), la sécuriser et la certifier, la faire évoluer, la surveiller et la sauvegarder, tout en synchronisant les données entre ces multiples systèmes. MongoDB adopte une approche différente qui contourne ces problèmes : Les développeurs stockent et recherchent des vector embeddings natives dans le même système que celui qu'ils utilisent comme base de données opérationnelle. Grâce à l'architecture distribuée de MongoDB, ils peuvent isoler ces différentes charges de travail tout en synchronisant les données. Search Nodes fournissent un calcul dédié et une isolation de la charge de travail, un aspect essentiel pour les charges de travail de recherche vectorielle à forte intensité de mémoire. Ce processus permet ainsi d'améliorer les performances et la disponibilité. Contrairement aux autres base de données, grâce au schéma de documents flexible et dynamique de MongoDB, les développeurs peuvent modéliser et faire évoluer les relations entre les vecteurs, les métadonnées et les données d'application. Ils peuvent traiter et filtrer les données vectorielles et opérationnelles en fonction des besoins de l'application avec une API de requête expressive et des pilotes qui prennent en charge tous les langages de programmation les plus courants. L'utilisation de la plateforme de données de développement MongoDB Atlas entièrement gérée permet aux développeurs d'obtenir le répartir, la sécurité et la performance que les utilisateurs de leurs applications attendent. Que signifie cette approche unifiée pour les développeurs ? Les cycles de développement plus rapides et les applications plus performantes offrent une latence plus faible avec des données plus pertinentes, le tout associé à des frais généraux et des coûts opérationnels réduits. Ces résultats se traduisent par le NPS de MongoDB, le meilleur de sa catégorie. Atlas Vector Search est robuste, rentable et incroyablement rapide ! Saravana Kumar, CEO, Kovai parle du développement de l'assistant d'intelligence artificielle de son entreprise Consultez notre série d'articles Concevoir l'IA avec MongoDB (rendez-vous dans la section « Démarrer » pour lire les articles précédemment publiés). Ici, Atlas Vector Search est utilisé pour les applications alimentées par l'IA conversationnelle avec des chatbots et des voicebots, des co-pilotes, des informations sur les menaces et la cybersécurité, la gestion des contrats, les foires aux questions, la conformité et les assistants de traitement, la découverte et la monétisation des contenus, etc. MongoDB stockait déjà des métadonnées relatives aux artefacts de notre système. Avec l'introduction d'Atlas Vector Search, nous disposons désormais d'une base de données complète de métadonnées vectorielles qui a été testée pendant plus de dix ans et qui répond à nos besoins considérables en termes de récupération. Il n'est pas nécessaire de déployer une nouvelle base de données que nous devrions gérer et apprendre. Nos vecteurs et les métadonnées de nos artefacts peuvent être stockés les uns à côté des autres.  Pierce Lamb, ingénieur logiciel senior de l'équipe Data and Machine Learning chez VISO TRUST Que nous apprend le rapport Retool concernant l'IA ? Au-delà de la découverte des bases de données vectorielles les plus populaires, l'enquête aborde différents aspects du secteur. Elle commence par explorer les perceptions de l'IA par les personnes interrogées (sans surprise, les dirigeants sont plus optimistes que les collaborateurs). Il explore ensuite les priorités en matière d'investissement, l'impact de l'IA sur les perspectives d'emploi futures et la manière dont elle affectera probablement les développeurs et les compétences dont ils auront besoin à l'avenir. L'enquête examine ensuite le niveau d'adoption et de maturité de l'IA. Plus de 75 % des répondants déclarent que leur entreprise commence à exploiter l'IA. Environ la moitié d'entre eux déclarent que ces projets n'en sont qu'à leurs prémices et ciblent principalement une utilisation interne. Elle se penche ensuite sur la nature de ces applications sur leur utilité au sein de l'entreprise. Elle constate que presque tout le monde utilise l'IA au travail, que ce soit autorisé ou non, puis identifie les principaux problèmes. Sans surprise, la précision des modèles, la sécurité et les hallucinations figurent en tête de liste. L'enquête se termine par l'examen des principaux modèles utilisés. Là encore, il n'est pas surprenant de constater que les offres d'Open AI sont en tête, mais cela indique également une intention croissante d'utiliser des modèles open source ainsi que des outils et infrastructures d'IA pour la personnalisation à l'avenir. Pour en savoir plus sur cette enquête, lisez le rapport . Démarrer avec Atlas Vector Search Vous souhaitez découvrir notre offre Vector Search ? Rendez-vous sur notre page produit Atlas Vector Search . Vous y trouverez des liens vers des tutoriels, de la documentation et des intégrations clés de l'écosystème d'IA afin de vous commencer à créer vos propres applications alimentées par l'IA . Si vous souhaitez en savoir plus sur les possibilités de haut niveau de la recherche vectorielle, téléchargez notre livre blanc sur l'intégration de l'IA générative . Consultez notre présentation «  Créer votre feuille de route IA pour 2024  » pour en savoir plus sur les différents cas d'utilisation de l'IA et comment les entreprises les prennent en charge !

November 30, 2023
Next →

Hanabi Technologies Uses MongoDB to Power AI Assistant, Hana

For all the hype surrounding generative AI, cynics tend to view the few real-world implementations as little more than “fancy chatbots.” But for Abhinav Aggarwal, CEO of Hanabi Technologies, the idea of a generative AI-powered bot that is more than just an assistant was intriguing. “I’d been using ChatGPT since it launched,” said Aggarwal. “That got me thinking: How could we make a chatbot that was like a team member?” And with that concept, Hana was born. The problem with bots “Most generative AI chatbots do not act like people; they wait for a command and give a response,” said Aggarwal. “We wanted to create a human-like chatbot that would proactively help people based on what they wanted—automating reminders, for example, or fetching time zones from your calendar to correctly schedule meetings.” Hanabi’s flagship product, Hana, is an AI assistant designed to enhance team collaboration within Google Chat, working in concert with Google Workspace and its suite of products. “Our target customers are smaller companies of between 10 and 50 people. At this size you’re not going to build your own agent from scratch,” he said. Hana integrates with Google APIs to deliver a human-like assistant that chimes in with helpful interventions, such as automatically setting reminders and making sure meetings are booked in the right time zone for each participant. “Hana is designed to bring AI to smaller companies and help them collaborate in a space where they are already working—Google Workspace,” Aggarwal explained. The MongoDB Atlas solution For Hana to act like a member of the team, Hanabi needed to process massive amounts of data to support advanced features like retrieval-augmented generation (RAG) for better information retrieval across Google Docs and many other sources. And with a rapidly growing user base of over 600 organizations and 17,000+ installs, Hanabi also required a secure, scalable, and high-performing data storage solution. MongoDB Atlas provided a flexible document model, built-in vector database, and scalable cloud-based infrastructure, freeing Hanabi engineers to build new features for Hana rather than focusing on rote tasks like data extract, transform, and load processes or manual scaling and provisioning. Now, MongoDB Atlas handles a variety of responsibilities: Scalability and security: MongoDB Atlas’s auto-scaling and automatic backup features have enabled Hanabi to seamlessly grow its user base without the need for manual database management. RAG: MongoDB Atlas plays a critical role in Hana’s RAG functionality. The platform enables Hanabi to split Google Docs into small sections, create embeddings, and store these sections in Atlas’s vector database. Development Processes: According to Aggarwal, MongoDB’s flexibility in managing changing schemas has been essential to the company’s fast-paced development cycle. Data Visualization: Using MongoDB Atlas Charts has enabled Hanabi to create comprehensive dashboards for real-time data visualization. This has helped the team track usage, set reminders, and optimize performance without needing to build a manual dashboard. Impact and results With MongoDB Atlas, Hanabi can successfully scale Hana to meet the demands of its rapidly expanding user base. The integration is also enabling Hana to offer powerful features like automatic interactions with customers, advanced information retrieval from Google Docs, and manually added memory snippets, making it an essential tool for teams around the world. Next steps Hanabi plans to continue integrating more tools into Hana while expanding its reach to personal Gmail users. The company is also rolling out a new automatic-interaction feature, further enhancing Hana’s ability to proactively assist users without direct commands. MongoDB Atlas remains a key component of Hanabi’s stack, alongside Google Kubernetes Engine, NestJS, and LangChain, enabling Hanabi to focus on innovating to improve the customer experience. Tech Stack MongoDB Atlas Google Kubernetes Engine NestJS LangChain Are you building AI apps? Join the MongoDB AI Innovators Program today! Successful participants gain access to free MongoDB Atlas credits, technical enablement, and invaluable connections within the broader AI ecosystem. If your company is interested in being featured, we’d love to hear from you. Connect with us at ai_adopters@mongodb.com.

November 21, 2024