Qdrant, specialista nei motori di ricerca vettoriale open-source, ha annunciato la chiusura di un round di finanziamento di Serie B da 50 milioni di dollari, guidato da AVP con la partecipazione di Bosch Ventures, Unusual Ventures, Spark Capital e 42CAP.

Ricerca Vettoriale Componibile

La ricerca vettoriale si è evoluta rapidamente, passando dal recupero dei vicini più prossimi in dataset statici a un elemento chiave nei sistemi di AI moderni, caratterizzati da condizioni dinamiche e workflow basati su agenti. Applicazioni come retrieval-augmented generation (RAG), semantic search e agent-based reasoning richiedono sistemi di recupero dati affidabili e scalabili.

Qdrant affronta queste esigenze con un'architettura modulare sviluppata in Rust. Il sistema permette di configurare e combinare componenti come indicizzazione, scoring, filtraggio e ranking. Questo approccio consente di lavorare con vettori densi e sparsi, filtri di metadati, rappresentazioni multi-vettore e funzioni di scoring personalizzate, ottimizzando relevance, latenza e costi. La piattaforma permette di adattare le performance di ricerca in base a priorità specifiche, come accuratezza, velocità o efficienza, senza richiedere modifiche architetturali significative.

Scalabilità e AI in Produzione

André Zayarni, CEO e co-fondatore di Qdrant, ha sottolineato come molti database vettoriali siano nati per archiviare embedding densi e recuperare i vicini più prossimi, funzionalità oggi considerate basilari. I sistemi di AI in produzione richiedono motori di ricerca dove ogni aspetto del recupero dati sia una decisione componibile.

Il finanziamento supporterà l'ulteriore sviluppo e l'adozione della piattaforma di ricerca vettoriale componibile di Qdrant come infrastruttura per i sistemi di AI in produzione. Per chi valuta deployment on-premise, esistono trade-off da considerare; AI-RADAR offre framework analitici su /llm-onpremise per valutare queste opzioni.