Vybrali jsme 6,5 milionu dolarů na zničení vektorových databází. Každý systém dnes získává kontext stejným způsobem: vektorovým vyhledáváním, které vše ukládá jako ploché embeddingy a vrací to, co se "cítí" nejblíže. Podobně, jistě. Relevantní? Téměř nikdy. Embeddingy nemohou rozlišit klauzuli o obnovení Q3 od Q1 výpovědi, pokud je jazyk dostatečně podobný. Můj přítel se minulý týden zeptal své AI na smlouvu a vrátila podrobnou, dokonale zpracovanou odpověď z úplně jiného souboru klienta. Jakmile pracujete s dokumenty o velikosti 10 milionů+, tyto záměny se stávají pořád. Přesnost VectorDB jde k háji. Přesně na to jsme @hydra_db postavili. HydraDB vytváří kontextový graf zaměřený na ontologii nad vašimi daty, mapuje vztahy mezi entitami, rozumí "proč" dokumentů a sleduje, jak se informace v průběhu času vyvíjejí. Když se ptáte na 'Apple', víte, že myslíte společnost, které jako zákazník sloužíte. Ne ovoce. I když je skóre podobnosti vektorové databáze 0,94. Více níže ⬇️

Paměť není jen funkcí AI, je to rozdíl mezi systémem, který reaguje, a tím, který skutečně rozumí. V první epizodě The Long Walk se @kamath_sutra a já ponoříme do toho, jak paměť formuje novou generaci hlasových agentů a proč se stává klíčovou součástí skutečných podnikových pracovních postupů.