Мы собрали 6,5 миллиона долларов, чтобы уничтожить векторные базы данных. Каждая система сегодня извлекает контекст одинаково: векторный поиск, который хранит все в виде плоских встраиваний и возвращает то, что "кажется" наиболее близким. Похоже, конечно. Актуально? Почти никогда. Встраивания не могут отличить пункт о продлении в Q3 от уведомления о прекращении в Q1, если язык достаточно близок. На прошлой неделе мой друг спросил свою ИИ о контракте, и он вернул детальный, идеально составленный ответ, взятый из файла совершенно другого клиента. Когда у вас 10 миллионов и более документов, такие путаницы происходят постоянно. Точность VectorDB падает до нуля. Мы создали @hydra_db именно для этого. HydraDB строит граф контекста, основанный на онтологии, над вашими данными, отображает отношения между сущностями, понимает 'почему' за документами и отслеживает, как информация развивается со временем. Так что, когда вы спрашиваете о 'Apple', он знает, что вы имеете в виду компанию, которой вы предоставляете услуги как клиент. А не фрукт. Даже когда оценка схожести векторной базы данных говорит 0.94. Больше ниже ⬇️

Память — это не просто функция в ИИ, это разница между системой, которая реагирует, и той, которая действительно понимает. В первом эпизоде The Long Walk @kamath_sutra и я погружаемся в то, как память формирует следующее поколение голосовых агентов и почему это становится критически важным для реальных рабочих процессов в предприятиях.