Zephyrnet-logotyp

The Vector Computer Company av @ttunguz

Datum:

Om du skulle titta på tre videor på YouTube Shorts – en om italiensk matlagning, en om schacköppningar och en tredje om kryptohandel, kombinerar YouTube Shorts rekommendationsalgoritm videobeskrivningarna med din uppehållstid.

Att titta på osso bucco-videon till slutet skulle utlösa fler italienska matlagningsvideor i ditt flöde.

Vi tror att varje LLM-baserad applikation kommer att behöva denna förmåga.

Att kombinera text & strukturerad data i ett LLM-arbetsflöde rätt är svårt. Det kräver ett nytt lager av mjukvaruinfrastruktur: en vektordator.

bild

Vektordatorer förenklar många typer av data till vektorer – språket i AI-system – och skjuter in dem i din vektordatabas.

Eftersom Spark har blivit systemet för att transformera stora datamängder i BI & AI-träning, hanterar vektordatorn datapipelines för att mata modeller, optimerar dem för ett ändamål eller en användare.

Idag är de flesta vektorer väldigt enkla, men i allt högre grad kommer vektorer att ha alla typer av data inbäddade i dem, och vektordatorer kommer att vara motorerna som släpper lös dessa kraftfulla kombinationer.

Superlinked bygger en vektordator. Grundare Daniel Svonava är en före detta ingenjör på YouTube som arbetat med maskininlärningssystem i realtid i ett decennium.

Vektordatorer förbättrar LLM-noggrannheten genom att hjälpa till att få fram rätt data för Retrieval Augmented Generation (RAG). De möjliggör snabbare optimering av LLM:er genom att inkludera många typer av data som kan uppdateras snabbt.

Andra tekniker för LLM-optimering kräver omskolning eller finjustering. Dessa fungerar, men tar tid. Standard LLM-stackar i framtiden (inte så avlägsen) kommer att dra nytta av både RAG och finjustering.

Superlinked är nu i produktförhandsvisning och arbetar med flera stora infrastrukturpartner som MongoDB, Redis, Dataiku och andra. Om du vill lära dig mer, Klicka här.

Vi är glada över att samarbeta med Daniel & Ben.

plats_img

Senaste intelligens

plats_img