Nous avons levé 6,5 millions de dollars pour éliminer les bases de données vectorielles. Tous les systèmes aujourd'hui récupèrent le contexte de la même manière : recherche vectorielle qui stocke tout sous forme d'embeddings plats et renvoie ce qui "semble" le plus proche. Similaire, certes. Pertinent ? Presque jamais. Les embeddings ne peuvent pas faire la différence entre une clause de renouvellement Q3 et un avis de résiliation Q1 si le langage est suffisamment proche. Un ami à moi a demandé à son IA au sujet d'un contrat la semaine dernière, et elle a renvoyé une réponse détaillée, parfaitement rédigée, tirée d'un dossier d'un client complètement différent. Une fois que vous traitez avec plus de 10 millions de documents, ces confusions se produisent tout le temps. La précision de VectorDB s'effondre. Nous avons construit @hydra_db précisément pour cela. HydraDB construit un graphe de contexte basé sur l'ontologie sur vos données, cartographie les relations entre les entités, comprend le 'pourquoi' derrière les documents et suit comment l'information évolue au fil du temps. Donc, quand vous demandez des informations sur 'Apple', il sait que vous parlez de l'entreprise que vous servez en tant que client. Pas du fruit. Même lorsque le score de similarité d'une base de données vectorielle indique 0,94. Plus d'infos ci-dessous ⬇️

La mémoire n'est pas seulement une fonctionnalité de l'IA, c'est la différence entre un système qui répond et un qui comprend vraiment. Dans le premier épisode de The Long Walk, @kamath_sutra et moi plongeons dans la façon dont la mémoire façonne la prochaine génération d'agents vocaux, et pourquoi elle devient critique pour les véritables flux de travail d'entreprise.