Александр Гужва: почему я присоединился к Zilliz
Меня зовут Александр Гужва, и я работаю в Zilliz над оптимизацией производительности.
Я присоединился к Zilliz, чтобы превзойти конкурентов компании. И потому что я чувствовал, что смогу в полной мере использовать свой опыт.
Я провёл 15 лет в финансах, где начал использовать подход approximate nearest neighbor search (ANNS), чтобы ускорить прогнозирование временных рядов для симуляции алгоритмической торговли, как на CPU, так и на GPU. Вычислительный движок, который я создал, мог выполнять симуляции на несколько порядков быстрее, чем базовый вариант, благодаря ANNS.
После этого я провёл около 2 лет в Meta, где добавлял код, связанный с производительностью, в библиотеку FAISS и использовал её мощные возможности для применения векторных кодеков для сжатия огромных рекомендательных моделей, которые Meta использует для Ads. Благодаря моим пожертвованиям кода меня стали считать одним из авторов библиотеки FAISS.
В целом за свою карьеру я написал более 2M строк кода и 10 лет занимался методами поиска по сходству.
Zilliz как компания стала мне интересна, потому что я знал, что она использует различные способы ускорения своих продуктов, такие как интеграция с NVIDIA Raft, эксперименты с различными аппаратными платформами и продвинутые методы поиска по сходству. Это дало мне уверенность в том, что необходимые инженерные и исследовательские активности довольно нетривиальны, а не в стиле python-monkey :) Многие компании используют её, что указывает на конкурентоспособность её продуктов.
Во время технического интервью James Luan, VP of Engineering в Zilliz, сказал мне, что компания стремится быть топ-1 в области векторных баз данных, другие варианты неприемлемы. Сегодня векторные базы данных — это очень быстро развивающаяся область, и это подразумевает очень высокий уровень конкуренции. Именно эта фраза James в итоге заставила меня присоединиться к Zilliz, потому что она соответствует моему образу мышления и очень мне знакома и естественна. Кроме того, мне стало любопытно, потому что область векторных баз данных привносит дополнительные вызовы в традиционные приложения поиска по сходству, такие как необходимость изменять данные или включать дополнительные метаданные в каждый образец.
Я продолжу передавать свои улучшения в Milvus OSS и планирую всё больше и больше участвовать в том, чтобы делать продукты Zilliz как можно лучше. Возможно, в определённый момент времени я смогу применить свои знания использования ANNS для прогнозирования временных рядов.
Читать далее
What Is a Vector Lakebase?
A Vector Lakebase is a unified, lake-native data architecture for AI that combines vector-database-grade serving with open lake storage, reusable lake-level indexes, and a shared semantic layer.
Migrating from S3 Vectors to Zilliz Cloud: Unlocking the Power of Tiered Storage
Learn how Zilliz Cloud bridges cost and performance with tiered storage and enterprise-grade features, and how to migrate data from AWS S3 Vectors to Zilliz Cloud.
Announcing the General Availability of Zilliz Cloud BYOC on Google Cloud Platform
Zilliz Cloud BYOC on GCP offers enterprise vector search with full data sovereignty and seamless integration.