Alexandr Guzhva: Warum ich zu Zilliz gekommen bin
Mein Name ist Alexandr Guzhva und ich arbeite bei Zilliz an Performance-Optimierung.
Ich bin zu Zilliz gekommen, um die Wettbewerber des Unternehmens zu übertreffen. Und weil ich das Gefühl hatte, dass ich mein Fachwissen voll einsetzen kann.
Ich habe 15 Jahre im Finanzbereich verbracht, wo ich begann, den Ansatz der Approximate Nearest Neighbor Search (ANNS) zu nutzen, um Zeitreihenvorhersagen für Algo-Trading-Simulationen zu beschleunigen, sowohl für CPU als auch GPU. Die von mir entwickelte Computing Engine konnte dank ANNS Simulationen um mehrere Größenordnungen schneller durchführen als die Baseline.
Danach war ich etwa 2 Jahre bei Meta, wo ich performancebezogenen Code zur FAISS-Bibliothek hinzugefügt und ihre leistungsstarken Funktionen genutzt habe, um Vektor-Codecs zur Komprimierung riesiger Empfehlungsmodelle anzuwenden, die Meta für Ads verwendet. Aufgrund meiner Code-Spenden wurde ich als einer der Autoren der FAISS-Bibliothek angesehen.
Insgesamt habe ich im Laufe meiner Karriere mehr als 2M Codezeilen geschrieben und beschäftige mich seit 10 Jahren mit Methoden der Ähnlichkeitssuche.
Zilliz als Unternehmen wurde für mich interessant, weil ich wusste, dass es verschiedene Wege nutzt, um seine Produkte zu beschleunigen, wie etwa eine Integration mit NVIDIA Raft, Experimente mit verschiedenen Hardwareplattformen und fortgeschrittene Methoden der Ähnlichkeitssuche. Das gab mir die Gewissheit, dass die erforderlichen Engineering- und Forschungsaktivitäten ziemlich nicht trivial sind und nicht dem Python-Affenstil entsprechen :) Viele Unternehmen nutzen es, was darauf hindeutet, dass seine Produkte wettbewerbsfähig sind.
Während des technischen Interviews sagte mir James Luan, VP of Engineering bei Zilliz, dass das Unternehmen im Bereich Vektordatenbanken die Nummer 1 werden will; keine anderen Optionen sind akzeptabel. Heutzutage sind Vektordatenbanken ein sich sehr schnell entwickelndes Feld, und das impliziert ein sehr hohes Maß an Wettbewerbsfähigkeit. Genau dieser Satz von James hat mich letztlich dazu gebracht, zu Zilliz zu kommen, weil er meiner Denkweise entspricht und mir sehr vertraut und natürlich ist. Außerdem wurde ich neugierig, weil das Feld der Vektordatenbanken zusätzliche Herausforderungen für traditionelle Anwendungen der Ähnlichkeitssuche mit sich bringt, wie etwa die Notwendigkeit, die Daten zu ändern oder zusätzliche Metadaten zu jedem Sample hinzuzufügen.
Ich werde weiterhin meine Verbesserungen zu Milvus OSS beitragen und plane, mich immer stärker daran zu beteiligen, Zilliz-Produkte so gut wie möglich zu machen. Vielleicht werde ich zu einem bestimmten Zeitpunkt mein Wissen über die Nutzung von ANNS für Zeitreihenvorhersagen anwenden können.
Weiterlesen
VDBBench Adds Cost-Aware Benchmarking for Vector Databases
Compare Zilliz Cloud, Pinecone, and turbopuffer with VDBBench cost-aware vector database benchmarks across latency, freshness, multitenancy, and cold starts.
How to Improve Retrieval Quality for Japanese Text with Sudachi, Milvus/Zilliz, and AWS Bedrock
Learn how Sudachi normalization and Milvus/Zilliz hybrid search improve Japanese RAG accuracy with BM25 + vector fusion, AWS Bedrock embeddings, and practical code examples.
The Great AI Agent Protocol Race: Function Calling vs. MCP vs. A2A
Compare Function Calling, MCP, and A2A protocols for AI agents. Learn which standard best fits your development needs and future-proof your applications.