Alexandr Guzhva : Pourquoi j’ai rejoint Zilliz
Je m’appelle Alexandr Guzhva et je travaille chez Zilliz sur l’optimisation des performances.
J’ai rejoint Zilliz pour surpasser les concurrents de l’entreprise. Et parce que j’ai senti que je pourrais pleinement utiliser mon expertise.
J’ai passé 15 ans dans la finance, où j’ai commencé à utiliser l’approche de recherche approximative des plus proches voisins (ANNS) afin d’accélérer les prédictions de séries temporelles pour la simulation de trading algorithmique, à la fois sur CPU et GPU. Le moteur de calcul que j’ai créé pouvait effectuer des simulations plusieurs ordres de grandeur plus rapidement que la référence, grâce à l’ANNS.
Après cela, j’ai passé environ 2 ans chez Meta, où j’ai ajouté du code lié aux performances à la bibliothèque FAISS et utilisé ses puissantes fonctionnalités pour appliquer des codecs vectoriels afin de compresser les énormes modèles de recommandation que Meta utilise pour les Ads. Je suis devenu considéré comme l’un des auteurs de la bibliothèque FAISS grâce à mes contributions de code.
Au total, j’ai écrit plus de 2 M de lignes de code au cours de ma carrière et je travaille avec des méthodes de recherche de similarité depuis 10 ans.
Zilliz en tant qu’entreprise est devenue intéressante pour moi, parce que je savais qu’elle utilise diverses façons d’accélérer ses produits, comme une intégration avec NVIDIA Raft, des expériences avec diverses plateformes matérielles et des méthodes avancées de recherche de similarité. Cela m’a donné l’assurance que les activités d’ingénierie et de recherche requises sont assez non triviales, et non du style python-monkey :) Beaucoup d’entreprises l’utilisent, ce qui indique que ses produits sont compétitifs.
Lors de l’entretien technique, James Luan, VP of Engineering chez Zilliz, m’a dit que l’entreprise vise à être numéro 1 dans le domaine des bases de données vectorielles, aucune autre option n’est acceptable. Aujourd’hui, les bases de données vectorielles sont un domaine qui évolue très rapidement, ce qui implique un très haut niveau de compétitivité. Cette phrase particulière de James m’a finalement poussé à rejoindre Zilliz, parce qu’elle correspond à ma façon de penser et qu’elle m’est très familière et naturelle. De plus, je suis devenu curieux, parce que le domaine des bases de données vectorielles introduit des défis supplémentaires par rapport aux applications traditionnelles de recherche de similarité, comme la nécessité de modifier les données ou d’inclure des métadonnées supplémentaires avec chaque échantillon.
Je continuerai à apporter mes améliorations à Milvus OSS et je prévois de m’impliquer de plus en plus pour rendre les produits Zilliz aussi bons que possible. Peut-être pourrai-je appliquer mes connaissances de l’utilisation de l’ANNS pour la prédiction de séries temporelles à un moment donné.
Continuer à lire
Why We Built Vector Lakebase: Rethinking Unstructured Data Architecture for AI
Vector Lakebase: a unified, lake-native data foundation for AI workloads — and an answer to what happens after vector databases succeed.
Vector Databases vs. Key-Value Databases
Use a vector database for AI-powered similarity search; use a key-value database for high-throughput, low-latency simple data lookups.
Multimodal Pipelines for AI Applications
Learn how to build scalable multimodal AI pipelines using DataVolo and Milvus. Discover best practices for handling unstructured data and implementing RAG systems.