Elastic kündigt ein AI Ecosystem an, mit dessen Hilfe Entwickler in Unternehmen ihre Retrieval Augmented Generation (RAG)-Anwendungen schneller entwickeln und einsetzen können. Das Elastic AI Ecosystem bietet Entwicklern ein kuratiertes, umfassendes Set von KI-Technologien und -Tools, die in die Elasticsearch-Vektordatenbank integriert sind. Damit sollen die Markteinführung beschleunigt sowie Innovation gefördert werden.
Das Elastic AI Ecosystem bietet Entwicklern vorgefertigte Integrationen mit Elasticsearch-Vektordatenbanken aus einem vertrauenswürdigen Netzwerk von branchenführenden KI-Unternehmen. Dies stellt einen nahtlosen Zugang zu den kritischen Komponenten von GenAI-Anwendungen über KI-Modelle, Cloud-Infrastruktur, MLOps-Frameworks, Datenvorbereitungs- und -eingabeplattformen sowie KI-Sicherheit und -Operationen bereit.
Diese Integrationen helfen Entwicklern dabei:
- Relevante Ergebnisse durch RAG zu liefern
- Daten aus verschiedenen Quellen vorzubereiten und aufzunehmen
- mit KI-Modellen zu experimentieren und sie zu bewerten
- GenAI-Entwicklungsframeworks zu nutzen
- KI-Anwendungen zu beobachten und sicher einzusetzen
Das Elastic AI Ecosystem umfasst Integrationen mit Alibaba Cloud, Amazon Web Services (AWS), Anthropic's Claude, Cohere, Confluent, Dataiku, DataRobot, Galileo, Google Cloud, Hugging Face, LangChain, LlamaIndex, Microsoft, Mistral AI, NVIDIA, OpenAI, Protect AI, RedHat, Vectorize und Unstructured.
„Elasticsearch ist die am häufigsten heruntergeladene Vektordatenbank auf dem Markt. Kunden und Entwickler wollen sie mit den besten Modellen, Plattformen und Frameworks des Ökosystems nutzen, um überzeugende RAG-Anwendungen zu erstellen“, sagt Steve Kearns, General Manager Search bei Elastic.
„Mit unserem handverlesenen Ökosystem von Technologieanbietern machen wir es Entwicklern leichter, Elastics Vektordatenbank zu nutzen und die beste Kombination von Spitzentechnologien für ihre RAG-Anwendungen zu wählen. Diese Integrationen werden Entwicklern helfen, ihre RAG-Anwendungen schneller zu testen, zu optimieren und in Produktion zu bringen und die Genauigkeit ihrer Gen AI-Anwendungen zu verbessern.“