Jiang Chen : Pourquoi j’ai rejoint Zilliz
Nouveaux défis
Au cours de la dernière décennie, je me suis spécialisé dans divers aspects de l’infrastructure de données, notamment le contrôle d’accès, la confidentialité des données, les bases de données NoSQL et, plus récemment, l’indexation de données à l’échelle du web. À l’ère du web et du mobile, le big data est apparu comme une innovation majeure en matière d’infrastructure, avec des technologies comme MapReduce, le calcul distribué et le stockage de données structurées en tête. L’ère de l’IA exige des piles technologiques différentes, en particulier avec la popularité croissante des Large Language Models. Les embeddings et les magasins de vecteurs occupent le devant de la scène, et ils sont également au cœur des priorités de Zilliz.
Juste avant de rejoindre Zilliz, je me concentrais sur l’indexation de recherche chez Google. J’ai travaillé à la création d’infrastructures ultra-flexibles pour comprendre des milliards d’images et de vidéos sur le web public, générer des étiquettes structurées pour les pages web englobant différents types de données multimédias, et les transformer en indices consultables. Ces technologies ont jeté les bases d’innovations de produits destinées aux utilisateurs, telles que la recherche de vidéos courtes. Cependant, les méthodes traditionnelles de compréhension des données non structurées, comme le texte, les images et les vidéos, nécessitaient de générer de nombreuses étiquettes à l’aide de plusieurs modèles de machine learning. Ce processus reposait sur une infrastructure complexe impliquant l’inférence de modèles ML, l’orchestration de la logique métier et des algorithmes de récupération, ce qui présentait des défis considérables.
En outre, la récupération de contenu de recherche se heurtait également à des limites avec les systèmes traditionnels fondés sur des règles (correspondance de mots-clés avec des index inversés). Il est devenu évident que la récupération fondée sur les embeddings offrait de puissantes améliorations de la pertinence des résultats de recherche. Bien que l’embedding ne soit pas nouveau dans la recherche et soit utilisé depuis des années dans la recherche web traditionnelle, l’adoption de la récupération fondée sur les embeddings, ou d’une approche hybride, pour de nombreux nouveaux produits de recherche s’est révélée être un défi majeur, même pour Google.
Lorsque j’ai rencontré Robert pour la première fois, le responsable produit chez Zilliz, j’ai été impressionné par l’ambition de démocratiser les technologies d’embedding et de recherche vectorielle. Je suis également motivé à l’idée de participer à cette formidable vague de l’IA.
Donner aux développeurs les moyens de libérer le potentiel des données non structurées
Malgré la reconnaissance du potentiel des embeddings, de nombreux développeurs et entreprises ont besoin de davantage d’infrastructure pour organiser efficacement les données non structurées sous forme d’embeddings vectoriels. Cependant, à l’ère moderne de l’IA, je suis fermement convaincu que l’infrastructure native de l’IA détient la clé de l’avenir des entreprises. Ces infrastructures utilisent de grands modèles de réseaux neuronaux, le stockage vectoriel et des systèmes de calcul spécialisés conçus spécifiquement pour eux. Ayant observé le fonctionnement d’une telle infrastructure à l’échelle mondiale, je suis enthousiaste à l’idée de démocratiser cette infrastructure extrêmement complexe, permettant aux startups aux ressources limitées d’exploiter la technologie de l’IA et de créer des applications révolutionnaires qui font progresser l’humanité.
Des personnes formidables
J’ai déjà évolué dans le monde des startups. Ayant connu les montagnes russes que représente la création d’un nouveau projet, l’épuisement causé par la recherche d’une adéquation produit-marché insuffisante et la quête du prochain tour de financement, je sais fermement que, lorsqu’on s’attaque à des problèmes complexes dans un contexte incertain, le plus important est de travailler avec une équipe de personnes remarquables en qui l’on peut avoir confiance.
En rencontrant l’équipe exceptionnelle composée de Charles, Robert et James, j’ai immédiatement pu constater qu’ils étaient des entrepreneurs chevronnés, pleinement conscients de l’incertitude de l’entrepreneuriat et pourtant toujours prêts à s’y consacrer. Je savais qu’ils formaient le groupe idéal avec lequel travailler, j’ai donc décidé de rejoindre cette équipe remarquable sans hésitation.
C’est en fin de compte la raison pour laquelle j’ai rejoint Zilliz – pour naviguer dans l’incertitude ; il faut à la fois une mission essentielle et un groupe de personnes intelligentes et résilientes avec qui travailler, ce que Zilliz possède, et bien plus encore, ce vers quoi nous nous efforcerons ensemble.
Ce qui m’enthousiasme le plus ici chez Zilliz
Ce qui m’enthousiasme le plus aujourd’hui, c’est le défi de créer des produits hautement utilisables et pratiques qui simplifient les données non structurées pour les développeurs. C’est un problème complexe, sans solution universelle, qui nous oblige à définir une feuille de route pour l’avenir. Chez Zilliz, nous sommes libres de faire ce qui est juste, un avantage de travailler pour une startup. Résoudre ce problème exige une solide expérience en ingénierie, une compréhension approfondie du produit et de l’empathie pour les développeurs. Mon quotidien consiste à :
Participer à des discussions avec les équipes commerciales et les architectes de solutions.
Définir les détails du produit.
Orienter la conception technique.
Effectuer des revues de code.
Ce style de travail est quelque chose que j’apprécie, et j’apprends de nouvelles choses chaque jour.
Rejoignez-nous à la frontière des infrastructures d’IA
Ici chez Zilliz, nous créons une suite d’outils et de services qui facilitent le processus de recherche d’informations dans les données non structurées. Nous avons Towhee, la solution tout-en-un d’ETL et d’embedding pour données non structurées ; Akcio, l’implémentation open source de la génération augmentée par récupération ; et la base de données vectorielle qui stocke et recherche efficacement les plongements vectoriels.
Si ce que j’ai décrit ici vous intéresse, faites-le-nous savoir ! Nous avons divers postes ouverts dans des rôles d’ingénierie. Si construire des infrastructures pour gérer et exploiter efficacement les données non structurées est ce qui vous enthousiasme, vous ne devriez pas manquer l’occasion de travailler avec nous. Nous avons également des postes ouverts dans le marketing et le produit ; n’hésitez pas à consulter notre page carrières pour en savoir plus.
Continuer à lire
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.
Will Amazon S3 Vectors Kill Vector Databases—or Save Them?
AWS S3 Vectors aims for 90% cost savings for vector storage. But will it kill vectordbs like Milvus? A deep dive into costs, limits, and the future of tiered storage.
Introducing Zilliz MCP Server: Natural Language Access to Your Vector Database
Developers can easily manage and query vector databases with natural language via Zilliz MCP Server in AI-native environments.