Jiang Chen: Perché sono entrato in Zilliz
Nuove sfide
Nell’ultimo decennio, mi sono specializzato in vari aspetti dell’infrastruttura dei dati, tra cui controllo degli accessi, privacy dei dati, database NoSQL e, più recentemente, indicizzazione dei dati su scala web. Durante l’era del web e del mobile, i big data sono emersi come una significativa innovazione infrastrutturale, con tecnologie come MapReduce, calcolo distribuito e archiviazione di dati strutturati a fare da apripista. L’era dell’AI richiede stack tecnologici diversi, soprattutto con la crescente popolarità dei Large Language Models. Gli embedding e gli archivi vettoriali sono al centro della scena, e sono anche il focus di Zilliz.
Poco prima di entrare in Zilliz, il mio focus era sull’indicizzazione di ricerca in Google. Ho lavorato alla creazione di infrastrutture ultra-flessibili per comprendere miliardi di immagini e video sul web pubblico, generare etichette strutturate per pagine web che comprendono diversi dati multimediali e trasformarle in indici ricercabili. Queste tecnologie hanno gettato le basi per innovazioni di prodotto rivolte agli utenti, come la ricerca di video brevi. Tuttavia, i metodi tradizionali per comprendere dati non strutturati, come testo, immagini e video, richiedevano la generazione di molte etichette utilizzando più modelli di machine learning. Questo processo si basava su un’infrastruttura complessa che coinvolgeva inferenza di modelli ML, orchestrazione della logica di business e algoritmi di recupero, il che presentava sfide significative.
Inoltre, anche il recupero dei contenuti di ricerca incontrava limitazioni con i tradizionali sistemi basati su regole (abbinamento di parole chiave con indici invertiti). È diventato evidente che il recupero basato su embedding offriva potenti miglioramenti nella pertinenza dei risultati di ricerca. Sebbene l’embedding non sia una novità per la ricerca e sia stato utilizzato per anni nella ricerca web tradizionale, adottare il recupero basato su embedding, o un approccio ibrido, per numerosi nuovi prodotti di ricerca si è rivelato una sfida significativa, persino per Google.
Quando ho incontrato per la prima volta Robert, il responsabile prodotto di Zilliz, sono rimasto colpito dall’ambizione di democratizzare le tecnologie di embedding e ricerca vettoriale. Sono anche motivato a partecipare a questa fantastica ondata di AI.
Dare agli sviluppatori gli strumenti per liberare il potenziale dei dati non strutturati
Pur riconoscendo il potenziale degli embedding, molti sviluppatori e aziende hanno bisogno di più infrastruttura per organizzare efficacemente i dati non strutturati come embedding vettoriali. Tuttavia, nella moderna era dell’AI, credo fermamente che l’infrastruttura AI-native sia la chiave del futuro del business. Queste infrastrutture utilizzano grandi modelli di reti neurali, archiviazione vettoriale e sistemi di calcolo specializzati progettati specificamente per loro. Avendo osservato il funzionamento di tale infrastruttura su scala globale, sono entusiasta di democratizzare questa infrastruttura altamente complessa, consentendo alle startup con risorse limitate di sfruttare la tecnologia AI e creare applicazioni rivoluzionarie che spingano l’umanità in avanti.
Persone straordinarie
Sono già stato nel mondo delle startup. Avendo sperimentato le montagne russe della fondazione di un nuovo progetto, l’esaurimento dovuto alla ricerca di uno scarso product-market fit e la caccia al successivo round di finanziamento, so fermamente che quando si affrontano problemi complessi in un contesto incerto, la cosa più importante è lavorare con un team di persone eccezionali di cui ci si può fidare.
Dopo aver incontrato il team eccezionale di Charles, Robert e James, ho capito immediatamente che sono imprenditori esperti, pienamente consapevoli dell’incertezza dell’imprenditorialità e ancora disposti a dedicarvisi. Sapevo che erano il gruppo perfetto con cui lavorare, quindi ho deciso di unirmi a questo straordinario team senza esitazione.
Questo è, in definitiva, il motivo per cui mi sono unito a Zilliz – per orientarmi nell’incertezza; servono sia una missione fondamentale sia un gruppo di persone intelligenti e resilienti con cui lavorare, cose che Zilliz ha, e molto altro, per cui ci impegneremo insieme.
Cosa mi entusiasma di più qui a Zilliz
Ciò che mi entusiasma di più ora è la sfida di creare prodotti altamente fruibili e pratici che semplifichino i dati non strutturati per gli sviluppatori. È un problema complesso senza una soluzione valida per tutti, che ci richiede di trovare una roadmap per il futuro. In Zilliz, siamo liberi di fare ciò che è giusto, un vantaggio del lavorare per una startup. Risolvere questo problema richiede un solido background ingegneristico, una profonda visione del prodotto ed empatia per gli sviluppatori. La mia routine quotidiana prevede:
Partecipare a discussioni con sales e solution architect.
Definire i dettagli del prodotto.
Guidare la progettazione tecnica.
Fare code review.
Questo stile di lavoro è qualcosa che mi piace, e imparo cose nuove ogni giorno.
Unisciti a noi alla frontiera delle infrastrutture AI
Qui a Zilliz, costruiamo una suite di strumenti e servizi che semplificano il processo di recupero delle informazioni sui dati non strutturati. Abbiamo Towhee, la soluzione ETL e di embedding all-in-one per dati non strutturati; Akcio, l’implementazione open-source di Retrieval Augmented Generation; e il database vettoriale che archivia e ricerca in modo efficiente embedding vettoriali.
Se quanto ho descritto qui ti interessa, faccelo sapere! Abbiamo diverse posizioni aperte in ruoli di engineering. Se costruire infrastrutture per gestire e utilizzare efficacemente i dati non strutturati è ciò che ti entusiasma, non dovresti perdere l’occasione di lavorare con noi. Abbiamo anche posizioni aperte per ruoli di marketing e product; sentiti libero di consultare la nostra pagina careers per saperne di più.
Continua a leggere
3 Easiest Ways to Use Claude Code on Your Mobile Phone
Run Claude Code from your phone with Remote Control, Happy Coder, or SSH + Tailscale. Comparison table, setup steps, and tools for typing, memory, and parallel tasks.
Our Journey to 35K+ GitHub Stars: The Real Story of Building Milvus from Scratch
Join us in celebrating Milvus, the vector database that hit 35.5K stars on GitHub. Discover our story and how we’re making AI solutions easier for developers.
AI Agents Are Quietly Transforming E-Commerce — Here’s How
Discover how AI agents transform e-commerce with autonomous decision-making, enhanced product discovery, and vector search capabilities for today's retailers.