Alexandr Guzhva: Por qué me uní a Zilliz
Mi nombre es Alexandr Guzhva y trabajo en Zilliz en optimización de rendimiento.
Me uní a Zilliz para superar a los competidores de la empresa. Y porque sentí que podría aprovechar plenamente mi experiencia.
Pasé 15 años en finanzas, donde empecé a usar el enfoque de búsqueda aproximada de vecinos más cercanos (ANNS) para acelerar las predicciones de series temporales para la simulación de trading algorítmico, tanto para CPU como para GPU. El motor de cómputo que creé podía realizar simulaciones varios órdenes de magnitud más rápido que la línea base, gracias a ANNS.
Después de eso, pasé unos 2 años en Meta, donde añadí código relacionado con el rendimiento a la biblioteca FAISS y utilicé sus potentes capacidades para aplicar códecs vectoriales con el fin de comprimir enormes modelos de recomendación que Meta usa para Ads. Llegué a ser considerado uno de los autores de la biblioteca FAISS gracias a mis contribuciones de código.
En total, escribí más de 2M líneas de código durante mi carrera y he estado trabajando con métodos de búsqueda por similitud durante 10 años.
Zilliz como empresa se volvió interesante para mí porque sabía que utiliza diversas formas de acelerar sus productos, como una integración con NVIDIA Raft, experimentos con varias plataformas de hardware y métodos avanzados de búsqueda por similitud. Esto me dio la confianza de que las actividades de ingeniería e investigación requeridas son bastante no triviales, no del estilo python-monkey :) Muchas empresas la están usando, lo que indica que sus productos son competitivos.
Durante la entrevista técnica, James Luan, VP of Engineering en Zilliz, me dijo que la empresa aspira a ser la número 1 en el área de las bases de datos vectoriales, no hay otras opciones aceptables. Hoy en día, las bases de datos vectoriales son un campo que evoluciona muy rápidamente, y eso implica un nivel muy alto de competitividad. Esta frase concreta de James fue la que finalmente me hizo unirme a Zilliz, porque coincide con mi forma de pensar y me resulta muy familiar y natural. Además, sentí curiosidad, porque el campo de las bases de datos vectoriales introduce desafíos adicionales a las aplicaciones tradicionales de búsqueda por similitud, como la necesidad de modificar los datos o de incluir metadatos adicionales con cada muestra.
Seguiré donando mis mejoras a Milvus OSS y planeo involucrarme cada vez más en hacer que los productos de Zilliz sean lo mejores posible. Quizá pueda aplicar mis conocimientos sobre el uso de ANNS para la predicción de series temporales en algún momento.
Sigue leyendo
A Few Notes from Databricks Data + AI Summit 2026: Why the Data Layer Matters Again
James Luan shares notes from Databricks Data + AI Summit 2026 on why production AI is pushing the data layer back to the center of infrastructure.
Notion's Vector Search Is Excellent. Their Next Problem Is Harder.
Notion solved vector search scaling in two years. The next bottleneck — offline context engineering, unified data, and the real-time/offline gap — is harder.
DeepSeek-OCR Explained: Optical Compression for Scalable Long-Context and RAG Systems
Discover how DeepSeek-OCR uses visual tokens and Contexts Optical Compression to boost long-context LLM efficiency and reshape RAG performance.