Stefan Webb: Warum ich zu Zilliz gekommen bin
Hallo! Ich bin Stefan, ein neu ernannter Developer Advocate bei Zilliz, den Machern von Milvus—der führenden Open-Source-Vektordatenbank. Vielleicht fragen Sie sich: „Was macht ein Developer Advocate?“ Einfach gesagt helfen wir Softwareentwicklern, mit bestimmten Technologien erfolgreich zu sein, und zwar auf verschiedene Weise, darunter öffentliche Vorträge, Content-Erstellung und direkter Austausch mit der Community.
In diesem Beitrag möchte ich meinen Weg zum Developer Advocate bei Zilliz teilen.
Nach Abschluss meines Graduiertenstudiums verbrachte ich über drei Jahre in der Industrie als Applied ML Researcher bei Meta und Twitter, wo ich das Glück hatte, mit außergewöhnlichen Teams zu arbeiten. Im November 2022 änderte sich meine berufliche Laufbahn jedoch unerwartet. Wie viele andere war ich von ChatGPT bei seiner Veröffentlichung verblüfft. Es war das erste Mal seit meiner Jugend, dass mich ein technologischer Fortschritt wirklich erstaunte—erinnernd an die Sprünge von 16-Farben-EGA-Grafik zu 256-Farben-VGA und weiter zu 16-Millionen-Farben-SVGA.
Meine Ph.D.-Forschung konzentrierte sich auf die Schnittstelle von Bayesian Statistics und Deep Learning, mit einem starken Schwerpunkt auf Deep Generative AI Models. Damals galten word2vec für word embeddings und RNNs für Sprachmodellierung als State of the Art. Ich war erstaunt zu sehen, wie rasant sich Sprach- und Bildmodellierung in den wenigen Jahren weiterentwickelt hatten, seit ich die Wissenschaft verlassen hatte.
Inspiriert von diesen Fortschritten beschloss ich, in die neue Landschaft der Generative AI einzutauchen und LLMs, Text-zu-Bild-Generierung, Prompt Engineering, Fine-Tuning und RAG zu erkunden, um nur einige zu nennen. Im Laufe des Jahres 2023 dachte ich darüber nach, wie ich meine Karriere in Richtung Generative AI neu ausrichten könnte, experimentierte mit einer Idee für ein Verbraucherprodukt und beriet Startup-Gründer sowie Investoren im Finanzbereich.
Bei näherer Betrachtung erkannte ich, dass die Aspekte, die mir in meinen früheren Rollen am meisten Freude bereiteten, persönliche Interaktionen und Community-Engagement waren, insbesondere bei der Entwicklung und Verwaltung von Open-Source-Software sowie beim Teilen von Wissen über neue Technologien. Ich liebte es, Vorträge über aufkommende Forschungsideen zu halten und mit der Open-Source-Community zu interagieren. Zu entdecken, dass es Rollen gibt, die genau diesen Aktivitäten in einem zutiefst technischen Bereich gewidmet sind, war für mich eine echte Offenbarung.
Warum speziell Zilliz? Im Zentrum der Generative-AI-Revolution steht der kritische Bedarf an effizienter, skalierbarer Datenspeicherung und -abfrage—eine Herausforderung, für deren Bewältigung vector databases einzigartig positioniert sind. Zilliz demokratisiert durch seine Open-Source-Vektordatenbank Milvus diese leistungsstarke Technologie, die einst ausschließlich Tech-Giganten vorbehalten war. Als die am weitesten verbreitete Open-Source-Vektordatenbank bietet Milvus einen robusten Funktionsumfang, der sich in verschiedensten Branchen als unschätzbar wertvoll erweist.
Ich freue mich darauf, zum Wachstum der Milvus-Open-Source-Community beizutragen und dabei meine Leidenschaft für Wissensaustausch und Open-Source-Entwicklung einzubringen. Wenn Sie oder Ihr Unternehmen an einer Zusammenarbeit interessiert sind, kontaktieren Sie mich bitte auf LinkedIn. Außerdem bin ich der neue Gastgeber unserer regelmäßigen Unstructured Data meetups in San Francisco und der South Bay und würde mich freuen, Sie dort zu sehen und zu erfahren, woran Sie arbeiten. Ich hoffe, Sie dort zu sehen!
Weiterlesen
Zilliz Cloud On-Demand Compute: Pay Only for What You Use
The customer case behind Zilliz Cloud On-Demand: how a $10K vector search bill came down to under $500, and the engineering changes that made it possible.
From Vector Database to Vector Lakebase
Zilliz offers a fully managed Vector Lakebase powered by Milvus, unifying real-time vector search, lake-scale discovery, and Al data operations.
Vector Databases vs. Graph Databases
Use a vector database for AI-powered similarity search; use a graph database for complex relationship-based queries and network analysis.