«Мы хотим перепридумать поиск». Как один программист сделал стартап на $200 млн

• Объяснение векторного поиска с упрощениями для интуитивного понимания.  

• Упоминание о работе с миллиардами векторов и кластерах.  

• Андрей Васнецов, инженер машинного обучения, переехал в Германию и основал стартап.  

• Его технология векторного поиска оценивается в 300 миллионов долларов.  

• Векторный поиск сравнивается с кодированием цветов RGB.  

• Похожим цветам соответствуют близкие значения в векторном пространстве.  

• Векторный поиск ищет аналогии между объектами, преобразуя их в цифровое представление.  

• Пример с цветами иллюстрирует, как похожие объекты находятся близко в векторном пространстве.  

• Векторный поиск используется в рекомендациях Spotify и Яндекс Музыки.  

• Алгоритмы предсказывают будущие покупки на основе истории покупок пользователя.  

• Стандартный поиск часто показывает ненужные результаты из-за большого объёма данных.  

• Векторный поиск позволяет персонализировать рекомендации на основе истории пользователя.  

• TikTok использует свайпы для сбора информации о предпочтениях пользователей.  

• Такой интерфейс позволяет алгоритмам быстрее обучаться и быть более персонализированными.  

• Рекомендательные системы часто используют векторный поиск для персонализации.  

• Существуют и другие методы, но векторный поиск удобен для построения таких систем.  

• Google использует векторные запросы для обработки данных.  

• Компания начала разработку векторных технологий до появления открытых нейронных сетей.  

• У Google есть ресурсы и академические специалисты для решения сложных задач.  

• Системы, работающие только с ChatGPT, быстро устаревают.  

• Добавочная стоимость возникает при предоставлении данных, которых нет в обучающей выборке нейросети.  

• Уникальные данные и инструменты делают продукт интересным и конкурентоспособным.  

• Данные являются ключевым ресурсом в рекрутинге и поисковых системах.  

• Сбор сигналов от пользователей — ключевой аспект успеха IT-стартапов.  

• Внутренние хранилища документации и структурированные данные улучшают качество ответов ботов.  

• Векторный поиск позволяет эффективно работать с большими базами данных.  

• Перемножение векторов — быстрая и дешёвая операция, легко масштабируемая.  

• Использование векторного поиска снижает затраты на запросы к нейросетям.  

• Разработчики предпочитают использовать стандартные функции и библиотеки.  

• Компания предоставляет низкоуровневое API для разработчиков.  

• Векторный поиск — основной фокус продукта, компания не стремится быть универсальной базой данных.  

• Автор работал в немецком стартапе, занимающемся рекрутингом.  

• Задача матчинга резюме и вакансий хорошо решается векторным поиском.  

• Из-за отсутствия готовых инструментов автор решил создать свой проект.  

• Проект разрабатывался в условиях локдаунов и удалённой работы.  

• Через год появился прототип, который был представлен внутри компании.  

• Прототип получил признание и 100 звёзд на GitHub.  

• Проект заинтересовал других разработчиков и компании.  

• Венчурные инвесторы, специализирующиеся на опенсорсе, начали интересоваться проектом.  

• Проект доказал свою полезность и востребованность.  

• Автор выложил проект на GitHub, и венчурные инвесторы предложили финансирование.  

• Инвесторы ожидали, что у автора уже есть готовый продукт для презентации.  

• Коллеги автора из компании «Моберрис» активно помогали с питчем и маркетингом.  

• Процесс перехода от одной компании к другой был успешным благодаря поддержке коллег.  

• Первым инвестором стала немецкая фирма «Фортиту Кэп», специализирующаяся на опенсорсе.  

• Инвестиции составили около двух миллионов евро, которые нужно было потратить за два года.  

• Первые два года проект работал только над опенсорсной версией, не планируя коммерческих продаж.  

• Основная цель — развитие бесплатной версии продукта, которая станет основой для коммерческого продукта.  

• Оценка проекта проводилась на основе количества звёзд на GitHub.  

• Одна звезда на GitHub оценивается в зависимости от категории проекта: от 500 долларов для фронтенд-фреймворков до 50 тысяч для хардкорных баз данных.  

• Текущая оценка проекта — около 200 миллионов долларов.  

• Проект начал продавать облачную версию своего продукта, которая позволяет пользователям быстро разворачивать системы без необходимости самостоятельной настройки.  

• Первым покупателем стал японский филиал SoftBank, использующий биометрию для платежей.  

• Разработчики находили проект через GitHub, начинали использовать бесплатную версию в своих проектах, а затем предлагали его своим работодателям.  

• Идеальная воронка продаж: разработчик использует бесплатную версию, затем предлагает её работодателю, который покупает систему в облаке.  

• Продукт использовался для поиска похожих цветов в нейросети.  

• Сейчас нейросеть использует векторный поиск для получения последних новостей.  

• Продукт остаётся открытым исходным кодом, без оплаты.