Levantámos $6.5M para acabar com bases de dados vetoriais. Todos os sistemas hoje recuperam contexto da mesma forma: pesquisa vetorial que armazena tudo como embeddings planos e devolve o que "parece" mais próximo. Semelhante, claro. Relevante? Quase nunca. Os embeddings não conseguem distinguir uma cláusula de renovação do Q3 de um aviso de rescisão do Q1 se a linguagem for suficientemente próxima. Um amigo meu perguntou à sua IA sobre um contrato na semana passada, e ela devolveu uma resposta detalhada e perfeitamente elaborada retirada do arquivo de um cliente completamente diferente. Uma vez que você está lidando com mais de 10M de documentos, esses enganos acontecem o tempo todo. A precisão do VectorDB vai para o espaço. Construímos o @hydra_db exatamente para isso. O HydraDB constrói um gráfico de contexto baseado em ontologia sobre os seus dados, mapeia relações entre entidades, entende o 'porquê' por trás dos documentos e acompanha como a informação evolui ao longo do tempo. Assim, quando você pergunta sobre 'Apple', ele sabe que você se refere à empresa que está a servir como cliente. Não à fruta. Mesmo quando a pontuação de similaridade de um DB vetorial diz 0.94. Mais abaixo ⬇️

A memória não é apenas uma característica da IA, é a diferença entre um sistema que responde e um que realmente entende. No primeiro episódio de The Long Walk, @kamath_sutra e eu mergulhamos em como a memória está moldando a próxima geração de agentes de voz e por que está se tornando crítica para os fluxos de trabalho reais das empresas.