Alexandr Guzhva: Por que me juntei à Zilliz
Meu nome é Alexandr Guzhva e trabalho na Zilliz com otimização de desempenho.
Entrei na Zilliz para superar os concorrentes da empresa. E porque senti que poderia usar plenamente minha expertise.
Passei 15 anos no setor financeiro, onde comecei a usar a abordagem de busca aproximada pelo vizinho mais próximo (ANNS) para acelerar previsões de séries temporais para simulação de algo trading, tanto em CPU quanto em GPU. O mecanismo de computação que criei conseguia realizar simulações várias ordens de magnitude mais rápido do que a linha de base, graças à ANNS.
Depois disso, passei cerca de 2 anos na Meta, onde adicionei código relacionado a desempenho à biblioteca FAISS e usei seus poderosos recursos para aplicar codecs vetoriais na compressão de enormes modelos de recomendação que a Meta usa para Ads. Passei a ser considerado um dos autores da biblioteca FAISS por causa das minhas contribuições de código.
No total, escrevi mais de 2 milhões de linhas de código durante minha carreira e venho lidando com métodos de busca por similaridade há 10 anos.
A Zilliz como empresa se tornou interessante para mim, porque eu sabia que ela usa várias maneiras de acelerar seus produtos, como uma integração com NVIDIA Raft, experimentos com várias plataformas de hardware e métodos avançados de busca por similaridade. Isso me deu a confiança de que as atividades de engenharia e pesquisa necessárias são bastante não triviais, não no estilo python-monkey :) Muitas empresas a utilizam, o que indica que seus produtos são competitivos.
Durante a entrevista técnica, James Luan, VP of Engineering da Zilliz, me disse que a empresa pretende ser a número 1 na área de bancos de dados vetoriais, nenhuma outra opção é aceitável. Hoje em dia, bancos de dados vetoriais são um campo em evolução muito rápida, e isso implica um nível muito alto de competitividade. Essa frase específica do James foi o que, no fim, me fez entrar na Zilliz, porque combina com minha forma de pensar e é muito familiar e natural para mim. Além disso, fiquei curioso, porque o campo de bancos de dados vetoriais introduz desafios adicionais às aplicações tradicionais de busca por similaridade, como a necessidade de modificar os dados ou de incluir metadados adicionais em cada amostra.
Continuarei contribuindo com minhas melhorias para o Milvus OSS e planejo me envolver cada vez mais em tornar os produtos da Zilliz os melhores possíveis. Talvez eu consiga aplicar meu conhecimento sobre o uso de ANNS para previsão de séries temporais em algum momento.
Continue lendo
Introducing Loon: A New Storage Engine for Vector Data That Never Stops Changing
Loon is a new storage engine for Milvus 3.0 and Zilliz Vector Lakebase, built to manage evolving vector datasets with ColumnGroups, row ID alignment, and Manifests.
How to Choose the Best Embedding Model for RAG in 2026: 10 Models Benchmarked
We benchmarked 10 embedding models on cross-modal, cross-lingual, long-document, and dimension compression tasks. See which one fits your RAG pipeline.
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.