Abbiamo raccolto 6,5 milioni di dollari per eliminare i database vettoriali. Ogni sistema oggi recupera il contesto allo stesso modo: ricerca vettoriale che memorizza tutto come embedding piatti e restituisce ciò che "sembra" più vicino. Simile, certo. Rilevante? Quasi mai. Gli embedding non possono distinguere una clausola di rinnovo del Q3 da un avviso di cessazione del Q1 se il linguaggio è abbastanza simile. Un mio amico ha chiesto al suo AI riguardo a un contratto la settimana scorsa, e ha ricevuto una risposta dettagliata e perfettamente formulata estratta da un file di un cliente completamente diverso. Una volta che hai a che fare con oltre 10 milioni di documenti, questi errori accadono tutto il tempo. L'accuratezza di VectorDB va a rotoli. Abbiamo costruito @hydra_db proprio per questo. HydraDB costruisce un grafo di contesto basato su ontologie sui tuoi dati, mappa le relazioni tra le entità, comprende il 'perché' dietro i documenti e tiene traccia di come le informazioni evolvono nel tempo. Quindi, quando chiedi di 'Apple', sa che intendi l'azienda che stai servendo come cliente. Non il frutto. Anche quando il punteggio di similarità di un database vettoriale dice 0,94. Di più qui sotto ⬇️

La memoria non è solo una caratteristica nell'AI, è la differenza tra un sistema che risponde e uno che comprende veramente. Nel primo episodio di The Long Walk, @kamath_sutra e io esploriamo come la memoria stia plasmando la prossima generazione di agenti vocali e perché stia diventando fondamentale per i flussi di lavoro aziendali reali.