Deep Lake schlägt Deep Research-Programm vor, das auf privaten multimodalen Daten aufbaut

Die Deep Thinking-Technologie von Activeloop bietet genauere, flexiblere und multimodale Wissensagenten für Ihre privaten und öffentlichen Daten und ist jetzt vollständig verfügbar.

Mit Blick auf das Jahr 2025 steht der generativen KI (GenAI) ein entscheidendes Jahr in Bezug auf die Kapitalrendite (ROI) bevor. Wissensagenten, die auf multimodalen Daten basieren, sind ein zentraler Treiber, um dies zu erreichen.

Warum wir Deep Research überhaupt erst entwickelt haben

Im vergangenen Jahr hat das Activeloop-Team eingehende Gespräche mit einer Vielzahl von Organisationen geführt, insbesondere mit Fortune-500-Unternehmen. Sie haben einen allgegenwärtigen Trend festgestellt: Geschäftsanwender zeigen eine gewisse Toleranz für Leistungslatenz, aber eine Verringerung der Genauigkeit istkompromisslosTatsache ist, dass die Genauigkeit des Datenabrufs zu einem unüberwindbaren Kriterium geworden ist. In der Tat ist die Genauigkeit der Datenabfrage zu einem unüberwindbaren Hindernis geworden und steht in direktem Zusammenhang mit der Fähigkeit von Unternehmen, generative KI zu nutzen, um den Umsatz oder die Effizienz wirklich zu verbessern und damit die enormen Investitionen in zusätzliche Infrastruktur und Modelle zu rechtfertigen.

Wissensarbeiter verbringen täglich viel Zeit mit sich wiederholenden und hochgradig manuellen Suchaufgaben: von Krankenschwestern, die Gesundheitsdaten von Patienten für die Prüfung von Versicherungsansprüchen zusammenstellen, über Anwaltsgehilfen, die erschöpfende Patentrecherchen für Patentanmeldungen durchführen, bis hin zu Forschern, die neu veröffentlichte Artikel in PubMed auswerten, um zusammengesetzte Hypothesen zu testen.

Nach vorsichtigen Schätzungen führt manuelles Suchverhalten in einem Unternehmen zu etwa 21,3% bis 25% verschwendeter Produktivität. Dies entspricht einem Verlust von etwa 20.000 $ pro Mitarbeiter und Jahr. Für ein mittelgroßes Unternehmen mit 1.000 Mitarbeitern könnte eine ineffiziente Suche zu mehr als 20 Millionen Dollar Der finanzielle Verlust. Stellen Sie sich vor, dass jedes Mal, wenn eines Ihrer Teammitglieder Zeit mit der Suche nach einer "verschwundenen" Datei verbringt, Sie es dafür bezahlen, dass es ein Versteckspiel mit den Daten Ihres Unternehmens spielt, von dem niemand profitiert.

Heute ist Activeloop stolz darauf, eine innovative Lösung für diese Herausforderungen vorzustellen - einen KI-Wissensagenten, der auf der Grundlage multimodaler Daten innerhalb und außerhalb des Unternehmens hochpräzise, tief analysierte Antworten generiert.

Vergleich von OpenAI Deep Research

Tiefer See zusammen mit OpenAIs TiefenforschungDeep Research von OpenAI konzentriert sich auf die Entwicklung eines KI-gestützten Assistenten, der selbstständig nach Informationen im Internet suchen kann, während Deep Lake sich auf die Bereitstellung eines KI-gestützten Assistenten konzentriert, der selbstständig nach Informationen im Internet suchen kann. Deep Lake hingegen konzentriert sich auf die Bereitstellung Multimodales KI-Retrieval-System der UnternehmensklasseDie Fähigkeit zur Zusammenarbeit mit Öffentliche und private Daten Erreichen einer nahtlosen Integration. In Bezug auf die Arten von Daten, zu denen der Nutzer Fragen stellen kann, und die Abfrageergebnisse der Genauigkeit sogar so weit gehen, dass Geschicklichkeit Deep Lake hat gezeigt erreichen oder sogar übertreffen Die Stärke von OpenAI Deep Research.

1. die Verknüpfung Ihrer privaten und öffentlichen Daten

Ein wesentlicher Unterschied zwischen Deep Lake und OpenAI Deep Research ist, dass dieDeep Lake ist nicht auf öffentliche Daten beschränkt.. Ursprünglich war es dazu gedacht Bedienung von Unternehmensanwenderninsbesondere diejenigen, die in Eigentumsrechtlich geschützte, sensible und hochwertige Datensätze Unternehmen, die KI-gesteuerte Suchen durchführen. In seiner Studie hat Activeloop herausgefunden, dass etwa 63% der Unternehmen vor der Herausforderung stehen, ihre Daten zu vereinheitlichen und sie mit KI-Systemen zu verbinden. Deep Lake kann sofort in der Amazon S3- oder Azure-Cloud-Umgebung eines Unternehmens bereitgestellt werden (und ist bereits auf den jeweiligen App-Marktplätzen verfügbar), so dass die Benutzer sofort Fragen stellen und Analysen auf der Grundlage dieser Daten durchführen können.

Der Einrichtungsprozess ist äußerst einfach, wie die folgende Abbildung zeigt:

• Deep Research ist zwar auf die Suche nach öffentlich zugänglichen Ressourcen beschränkt.Mit Deep Lake können Unternehmen jedoch wertvolle Erkenntnisse aus ihren internen Untersuchungen, Berichten, geistigem Eigentum und vertraulichen Daten sicher speichern und abrufen..
• Dies ist ein wichtiger Schritt für Biotechnologie, Medizintechnik, Finanzen und Rechtswesen. Dies ist von entscheidender Bedeutung, da diese Branchen in hohem Maße von geschützten Informationen und nicht von offenen Web-Suchergebnissen abhängig sind.
• Sicherheitsfunktionen der Unternehmensklasse (einschließlich RBAC-Privilegienverwaltung, SOC 2 Typ II Konformitätszertifizierung, Penetrationstests, usw.) Stellen Sie sicher, dass sensible Daten immer im Konform und geschützt Der Stand der Technik.

2. multimodales Retrieval auf der Grundlage visueller Sprachmodelle

Deep Lake konzentriert sich von Anfang an auf die zugrunde liegende Architektur. Multimodale AI-Abfrage Funktionen eingebaut sind, die es einfach machen, die Vorteilhaft für komplexe Aufgaben mit verschiedenen DatentypenDeep Research ist ein führender Anbieter von Forschungs- und Entwicklungsdienstleistungen. Obwohl sich Deep Research hauptsächlich mit Textbasierte Abfragen (und verfügt über einige Bild- und Dateiverarbeitungsfunktionen), wird Deep Lake vollständig unterstützt:

• Nahtlose cross-modale Abfragen über Text, Bilder, Video, Audio und strukturierte Metadaten.
• Feinabgestimmte visuelle Sprachmodelle (VLMs), optimiert für multimodales RetrievalUm sicherzustellen, dass auch angesichts der Hochkomplexe gemischte DatenabfragenAußerdem liefert das System genaue und hoch korrelierte Ergebnisse.
• Hybride Suche in EchtzeitEs handelt sich um eine clevere Mischung aus vektor-, stichwort- und strukturbasierten Suchtechniken, die die Auffindungsgenauigkeit erheblich verbessert.

3. die Abrufgenauigkeit ist vergleichbar mit oder besser als

Deep Lake ist bekannt für seine Erweiterte SucharchitekturDie Suchergebnisse sind nicht nur eine gute Möglichkeit, um sicherzustellen, dass sie Genauigkeit, die OpenAIs Deep Research entspricht oder übertrifft. Im Gegensatz zu einer primären Verlagerung auf Argumentation und Gedankenkette während der Prüfung von Deep Research setzt Deep Lake innovativ die folgenden Technologien ein:

• Tiefes Gedächtnis Technologie, die die Suchgenauigkeit kontinuierlich verbessert, indem sie dynamisch aus dem bisherigen Suchverhalten eines Nutzers lernt, die Suchergebnisse auf die jeweiligen Anwendungsfälle anpasst und Branchenterminologie und Nutzerpräferenzen lernt. Dadurch wird sichergestellt, dass Deep Lake in domänenspezifischen Anwendungsfällen eine erstklassige Leistung erzielt.
• Multimodale SuchtechnikenDie Verwirklichung des Text, Bilder, Video, Audio und strukturierte Daten in der Cloud und im lokalen Speicher Nahtlose Querverweise zwischen

4. BYOM: Bring-Your-Own-Model

Anstatt auf einen einzigen Modellanbieter beschränkt zu sein, bietet Deep Lake eine Auswahl an zugrunde liegenden KI-Modellen in der Volle Flexibilität.

Benutzer können Flexibler Zugang zu jedem Modell ihrer WahlEnthält Modernste Open-Source-Modelle, fein abgestimmte domänenspezifische Large Language Models (LLMs) und Small Language Models (SLMs) sowie andere führende Closed-Source-Modelle wie Anthropic Claude und Google Gemini.

5. sekundengenaue Abfragen mit kostenoptimierter Leistung

Natürlichsprachliche Abfragen werden automatisch in eine Reihe von Folgeanweisungen umgewandelt. Was die zugrundeliegenden Mechanismen anbelangt, so wird das Activeloop-System auch выяснить (выяснить ist russisch, ersetzt durch chinesisch: bestimmen), welche zusätzlichen Teilmengen von Daten abgefragt werden müssen, um umfassend Beweise zu sammeln, die hochgenaue Antworten unterstützen.

Deep Lake verwendet index-on-the-lake Technologie, Unterstützung Direkt aus dem Objektspeicher Führt im Vergleich zu herkömmlichen In-Memory-Systemen Abfragen im Sekundenbereich durch und ermöglicht die Bis zu 10 Mal kosteneffizienter. Dies bringt erhebliche Vorteile mit sich:

• sekundengenaue VerzögerungDie neueste Version der Software ist diejenige mit der schnellsten Reaktionszeit, selbst bei der Arbeit mit großen Datensätzen (mehr als 100 Millionen Datensätze).
• Keine Notwendigkeit für teures Cachingwird der Abfrageprozess tiefgreifend optimiert, um einen Echtzeitabruf zu erreichen und gleichzeitig die Speicherkosten niedrig zu halten.
• Elastische Skalierbarkeit über Cloud-Umgebungen hinwegDies macht Deep Lake zu einem Ort, an dem man schnell sein muss,Kostengünstige KI-Suche Lösung für KI-native Anwendungen.

Wie Deep Lake funktioniert

Deep Lake konzentriert sich auf die Entwicklung von Schlüsselkomponenten für die Datenspeicherung und -abfrage. Ziel ist es, den Nutzern die Möglichkeit zu geben, Daten optimal zu speichern und abzurufen, um KI-Workflows aller Art zu unterstützen.

Nach der Verbindung und Indizierung riesiger Datenmengen von Nutzern kann Deep Lake's Wissensagent Er kann eine Reihe anspruchsvoller Rechercheaufgaben planen und mehrstufige Abfragen über ein breites Spektrum von Datensätzen und Modalitäten durchführen. Dabei versteht er genau, welche Schlüsseldaten zur Beantwortung der vom Nutzer gestellten Frage benötigt werden (und, was noch wichtiger ist, er kann feststellen, ob das System über ausreichende Belege zur Beantwortung der Frage verfügt). Der Wissensagent nutzt auch fortschrittliche Retrieval-Technologien wie MaxSim, um genaue Suchvorgänge auf der Grundlage des kombinierten visuellen und textuellen Kontexts durchzuführen, und präsentiert dem Benutzer die gefundenen Schlüsselinformationen als Referenzen zusammen mit Zitaten aus Milliarden von Textdaten.

Arten von Fragen, die Nutzer stellen können

Deep Lake steht jetzt allen Mitgliedern des Benutzerteams offen - es gibt keine Einschränkungen hinsichtlich der Anzahl der Fragen, die Benutzer stellen können, oder der Größe und Art der Daten, die sie abfragen können.

Einige Beispiele für die Arten von Fragen, die Nutzer stellen können, sind im Folgenden aufgeführt:

Kombination von Anamnesedaten, Labortests, Magnetresonanztomographie (MRT)-Berichten

Auffinden von Bezügen und Herstellen von Verbindungen zu komplexen Begriffen und Konzepten

Das folgende Beispiel stammt aus Marcel Prousts literarischem Meisterwerk À la recherche du temps perdu - einem der längsten Bücher, die je geschrieben wurden, mit einer PDF-Version von über 1150 Seiten.

Eingehende Untersuchung der Forschungsergebnisse

Frage: Was ist die DeepSeek Leistung bei Reasoning-Aufgaben?

Die vom System gegebene Antwort enthält Informationen sowohl aus dem Text der Arbeit als auch aus den Diagrammen.

Bekannte Einschränkungen

Jedes System hat zwangsläufig seine Grenzen, und das gilt auch für Deep Lake. Im Fall von Activeloop ist der Deep Lake-Wissensagent so eingestellt, dass er sich mehr auf tiefgreifende Analysen konzentriert und bei den Antwortergebnissen vorsichtig ist. Daher ist Deep Lake möglicherweise nicht die beste Wahl, wenn Benutzer sofortige und einfache Antworten benötigen. Bei domänenspezifischen Abfragen, die ein tieferes Denken erfordern, zeigt Deep Lake jedoch seine Leistungsfähigkeit.

Activeloop öffnet das Deep Lake System nun offiziell für die öffentliche Vorschau, um das Produkt auf der Grundlage des wertvollen Nutzerfeedbacks kontinuierlich zu verbessern. Darüber hinaus entwickelt Activeloop aktiv einen intelligenten Router, der je nach Komplexität der Abfrage zwischen einem "schnellen" und einem "langsamen" Denkmodus umschalten kann, um das Nutzererlebnis weiter zu optimieren.

Wie das Flaggschiff Pioneering Deep Lake nutzte, um Durchbrüche in der Biotechnologie zu erzielen

Flagship Pioneering ist ein zukunftsorientiertes Biotechnologieunternehmen, das sich auf die Entwicklung innovativer Plattformen und die Gründung von Start-ups konzentriert, die den Bereich der menschlichen Gesundheit und Nachhaltigkeit revolutionieren. Flagship Pioneering ist eine enge Zusammenarbeit mit Activeloop eingegangen, um seine wissenschaftlichen Forschungskapazitäten zu verbessern. RAG (abrufgestützte Generierung) zu ermöglichen. Im Rahmen dieser Partnerschaft arbeitete das Pioneering Intelligence Team von Flagship Pioneering eng mit Activeloop zusammen, um ein fortschrittliches System zu entwickeln, das auf dem Activeloop Deep Lake Knowledge Agent basiert. Mit diesem System ist Flagship Pioneering in der Lage, wissenschaftliche Forschungsergebnisse aus der ganzen Welt effizient abzurufen und tiefer in multimodale biomedizinische Daten einzudringen, und zwar mit einer um etwa 181 TP3T höheren Genauigkeit als bei der herkömmlichen vektor- oder schlagwortbasierten Suche. Insbesondere ist das System in der Lage, Schlüsselinformationen selbst aus bestimmten Grafiken und Diagrammen zu erfassen, die nicht ausdrücklich im Text erwähnt werden. Das System erfasst sogar Schlüsselinformationen aus bestimmten Diagrammen, die nicht ausdrücklich im Text des Artikels erwähnt werden, was die Recherchemöglichkeiten von Flagship Pioneering erheblich verbessert.

Fortune 500-Medizintechnikunternehmen nutzt Deep Lake für schnelle, präzise KI-Suchen in mehr als 40 Millionen Dokumenten über verschiedene Datenmodalitäten und Cloud-Plattformen hinweg

Die Leistungsfähigkeit von Deep Lake hat hochgradig manuelle und sich wiederholende Suchaufgaben in den Arbeitsabläufen der wissenschaftlichen Forschung und der Einhaltung von Vorschriften in der Medizintechnik automatisiert. Dadurch konnten Forschungszyklen, die sonst Monate dauern würden, auf wenige Tage verkürzt werden.

Besuchen Sie chat.activeloop.ai noch heute, um mit der Erkundung von Deep Lake zu beginnen. Die erste Woche ist kostenlos und die Preise beginnen bei $99 pro Platz (Und kann flexibel nach Ihrem tatsächlichen Datenbedarf erweitert werden).