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
Introducing Zilliz Cloud Global Cluster: Region-Level Resilience for Mission-Critical AI
Zilliz Cloud Global Cluster delivers multi-region resilience, automatic failover, and fast global AI search with built-in security and compliance.
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.
How to Use Anthropic MCP Server with Milvus
MCP + Milvus: Streamline AI agent development with standardized data access, eliminating integration hassles while enhancing context and flexibility.