主题1: MongoDB向量搜索的应用场景
🏦 Kronos Research (台北)
💳 交易数十亿美元的加密货币
📊 分析和改进算法模型
🚀 高频加密货币交易 (HFT) 的量化研究
🤖 执行每秒大量订单的计算机程序
🌍 分析多个市场并执行订单
🔗 衍生品交易
🤖 使用大量专有市场数据训练的机器学习/AI模型
🔍 识别有利可图且可重复的市场现象
🛡️ 广泛的操作套件来控制风险并防止交易错误
🔬 即使在严重动荡的市场中也能确保正确的行为
预测智能: 🔮
🏢 尽可能靠近实际交易所的数据中心来限制延迟
🌩️ 加密货币交易所天生就在云端,允许高频交易员在物理上靠近交易所
数据格式的灵活性: 📂
🗃️ 数据并非结构化严格,如市场数据(买一/卖一价格、成交)
🤖 机器人可能有20个配置或键值对,而其他只有6个
💾 高效存储数据,分析配置如何随时间变化,以及数据如何更新和选择
Atlas数据联合: 📊
📊 图表:数据可视化,易于创建和共享
🔍 针对特定策略和仿真结果
🔍 可视化不同关系
🔍 调整交易机器人的参数
亮点: 💡
‘🤔 在给定的某一天,不同配置的盈亏分布是什么样的?’
主题2: MongoDB与机器学习
MongoDB机器学习功能: 📊
💻 处理数据分析、可扩展性和分布式处理
⚡️ 通过提供实时洞见来加速洞察
🗃️ 管理从摄取到事务再到退役的数据生命周期
🚫 消除数据重复
⏱️ 针对实时处理进行优化
🔍 灵活的模型部署和模型监控(漂移检测)
🐍 集成的Python环境
MongoDB机器学习应用场景: 🚀
🚫 欺诈预防
🔧 预测性维护 – 预测和防止故障的模式
🎯 实时推荐引擎
🏭 流程优化 – 最小化成本
MongoDB中的ACID兼容事务: 💹
解决的挑战:
🔍 跨系统检索实时和归档数据,并合并结果 – 对开发人员来说是一个痛苦。
🔒 在不同方之间维护事务数据完整性,需要对多文档事务进行全有或全无的执行。
ACID兼容示例:
💳 银行 – 在账户、支付处理、交易平台之间转账,更新”系统记录”和实时仪表板。
🏥 医疗保健 – 确保患者记录准确更新且最新,防止数据异常。
🏪 库存管理 – 订单是原子性的,支付交易安全且准确,更新可用库存。
节省成本的功能: 💰
在线归档:
🗂️ 在保持数据可访问性的同时优化成本
📂 自定义规则,将不常访问的数据自动归档到云对象存储
🔍 保留通过单一端点查询归档数据的能力
Reference:
https://www.mongodb.com/products/capabilities/transactions
ACID Transactions with MongoDB
https://www.mongodb.com/blog/post/simplifying-data-science-iguazio-mongodb
IoT & IIoT — generating insights to identify patterns
https://www.mongodb.com/solutions/customer-case-studies/kronos
MongoDB Atlas Charts Enables Kronos to Trade Billions on Crypto Markets Every Day
https://www.mongodb.com/products/platform/atlas-online-archive
Online Archive. Tier your MongoDB Atlas data, query it in place.
https://www.mongodb.com/library/vector-search/vector-search-quick-start?lb-mode=overlay
Atlas Vector Search Quick Start
https://www.mongodb.com/developer/products/atlas/agent-fireworksai-mongodb-langchain/
Building an AI Agent With Memory Using MongoDB, Fireworks AI, and LangChain
https://www.mongodb.com/developer/products/mongodb/langchain-vector-search/
Introduction to LangChain and MongoDB Atlas Vector Search
Editor
Danny Chan, specialty of FSI and Serverless
Kenny Chan, specialty of FSI and Machine Learning
