We hebben $6,5 miljoen opgehaald om vector databases te elimineren. Elk systeem vandaag de dag haalt context op dezelfde manier op: vectorzoekopdracht die alles opslaat als platte embeddings en teruggeeft wat "het dichtstbijzijnde" lijkt. Vergelijkbaar, zeker. Relevant? Bijna nooit. Embeddings kunnen een Q3-verlengingsclausule niet onderscheiden van een Q1-opzegging als de taal dicht genoeg bij elkaar ligt. Een vriend van mij vroeg vorige week zijn AI naar een contract, en het gaf een gedetailleerd, perfect geformuleerd antwoord dat uit het bestand van een totaal andere klant was gehaald. Zodra je met meer dan 10 miljoen documenten te maken hebt, gebeuren deze verwarringen de hele tijd. De nauwkeurigheid van VectorDB gaat naar de knoppen. We hebben @hydra_db precies hiervoor gebouwd. HydraDB bouwt een ontologie-eerste contextgrafiek over je gegevens, kaart relaties tussen entiteiten, begrijpt de 'waarom' achter documenten en volgt hoe informatie in de loop van de tijd evolueert. Dus wanneer je vraagt naar 'Apple', weet het dat je het hebt over het bedrijf dat je als klant bedient. Niet de vrucht. Zelfs wanneer de gelijkenisscore van een vector DB 0,94 zegt. Meer hieronder ⬇️

Geheugen is niet alleen een functie in AI, het is het verschil tussen een systeem dat reageert en een dat echt begrijpt. In de eerste aflevering van The Long Walk duiken @kamath_sutra en ik in hoe geheugen de volgende generatie spraakagenten vormgeeft, en waarom het cruciaal wordt voor echte bedrijfsworkflows.