Olemme keränneet 6,5 miljoonaa dollaria vektoritietokantojen tuhoamiseen. Jokainen nykyjärjestelmä hakee kontekstia samalla tavalla: vektorihaku, joka tallentaa kaiken tasaisina upotuksina ja palauttaa sen, mikä tuntuu lähimmältä. Samankaltainen, totta kai. Relevanttia? Melkein koskaan. Upotukset eivät pysty erottamaan Q3-uusimislauseketta Q1-lopetusilmoituksesta, jos kieli on tarpeeksi lähellä. Ystäväni kysyi viime viikolla tekoälyltään sopimuksesta, ja se palautti yksityiskohtaisen, täydellisesti laaditun vastauksen, joka oli otettu täysin eri asiakkaan tiedostosta. Kun käsittelet 10M+ dokumentteja, nämä sekaannukset tapahtuvat jatkuvasti. VectorDB:n tarkkuus menee täysin pieleen. Rakensimme @hydra_db juuri tätä varten. HydraDB rakentaa ontologiapainotteisen kontekstigraafin datallesi, kartoittaa entiteettien välisiä suhteita, ymmärtää asiakirjojen taustalla olevan 'miksi' ja seuraa, miten tieto kehittyy ajan myötä. Joten kun kysyt 'Applesta', se tietää, että tarkoitat yritystä, jota asiakkaana palvelet. Ei hedelmää. Vaikka vektoritietokannan samankaltaisuuspisteet näyttäisivät 0,94. Lisää alla ⬇️

Muisti ei ole pelkkä tekoälyn ominaisuus, vaan ero järjestelmän välillä, joka reagoi, ja järjestelmän, joka todella ymmärtää. The Long Walkin ensimmäisessä jaksossa @kamath_sutra ja minä sukellamme siihen, miten muisti muokkaa seuraavan sukupolven ääniagentteja ja miksi siitä on tullut kriittinen todellisissa yritystyönkuluissa.