L'idea della ricerca neurale non è nuova: è stata un argomento caldo al NeurIPS (la principale conferenza sul deep learning) negli ultimi 5 anni circa. Come con la maggior parte degli sviluppi tecnologici, lo sviluppo incrementale di solito porta gli operatori storici ad acquisire valore. Riteniamo che ci sia stato un cambiamento radicale nello spazio della ricerca neurale a causa dei recenti progressi in LLM, database vettoriali, framework neurali e intelligenza artificiale multimodale, aprendo l'opportunità per le startup nello spazio.

Le persone hanno predicato la morte di Google sin dalla sua fondazione: è finalmente giunto il momento?

Cosa sta succedendo?

Comprendere il passaggio dalla ricerca simbolica alla ricerca semantica

In poche parole, Neural Search significa semplicemente sfruttare le reti neurali per comprendere e interpretare le query degli utenti. Si tratta di un'iterazione dei motori di ricerca, che fino a poco tempo fa utilizzavano algoritmi simbolici/lessicali (ovvero il word matching). Il problema con la ricerca lessicale è che devi definire ogni singola regola per gestire in modo affidabile errori di battitura, acronimi e una serie di altre cose che diamo per scontate quando utilizziamo i motori di ricerca: ad esempio, i computer non sanno solo che il rosso può anche significare marrone , devono essere raccontati. Anche i titani della tecnologia oggi hanno difficoltà con la ricerca: ti sei mai ritrovato a cercare su Twitter o LinkedIn tramite Google?

Elasticsearch è stato lo strumento di riferimento per la ricerca lessicale per un decennio (con l'Algolia alle calcagna) e anche nell'ambiente attuale ha una capitalizzazione di mercato di $ 5 miliardi. È chiaro che la ricerca è un grande mercato, e questo senza discutere l'azienda da $ 1 trilione costruita su di esso. Circa 5 anni fa quell'azienda, Google, ha iniziato a spostare i suoi algoritmi dalla ricerca simbolica alla ricerca semantica (ovvero algoritmi in grado di comprendere e interpretare l' intento) , che è alla base della ricerca neurale — e lo ha fatto utilizzando BERT , uno dei più LLM notevoli.

Ma oggi il panorama sta cambiando e molte aziende sfruttano la ricerca semantica. Piattaforme come Hugging Face hanno aperto l'accesso a questa tecnologia, il che significa che la ricerca semantica non è più riservata a Big Tech e crea opportunità significative per le startup nello spazio.

Nota : vale la pena ricordare che ci sono spesso scenari in cui la ricerca simbolica ha senso, quindi è ottimale trovare un equilibrio tra ricerca simbolica e neurale (ricerca ibrida).

Perché ora?

Apertura dell'accesso a modelli di incorporamento, database vettoriali, framework neurali e IA multimodale

Gran parte dell'apprendimento automatico si basa su incorporamenti di vettori , il che significa essenzialmente convertire i contenuti (testo, video, immagini, ecc.) in vettori in modo che i computer possano comprenderli. I database vettoriali gestiscono la struttura unica dei vettori e sono in grado di raggrupparli, consentendo un rapido recupero e una ricerca di similarità. I VectorDB offrono una vasta gamma di vantaggi, dalla ricerca semantica, al ranking, alla deduplicazione e al rilevamento di anomalie. Fondamentalmente, non solo ti aiutano a trovare informazioni, ma ti aiutano anche a raggruppare e rilevare somiglianze, il che è ottimo per i motori di corrispondenza, una tecnologia sempre più importante nell'ascesa dei mercati B2B.

Ma fino a poco tempo fa, solo i giganti della tecnologia potevano sviluppare e gestire questi database vettoriali, poiché è difficile ottenere un ROI a meno che non siano calibrati correttamente. Ora le cose stanno iniziando a cambiare, con nuovi modelli e startup che le rendono accessibili alle masse.

La scorsa settimana OpenAI ha rilasciato un nuovo modello per rendere l'incorporamento SOTA incredibilmente conveniente. Anche Cohere affonda le sue radici in questi concetti. Una serie di startup è anche in missione per portare la ricerca vettoriale e i database alle masse, inclusi i database vettoriali Weaviate e Qdrant . Alcuni importanti framework di ricerca neurale , che vengono utilizzati per aiutare a legare tutto insieme, sono Deepset e Jina.ai.

La Neural Search si intreccia con il concetto di AI multimodale , ovvero modelli in grado di affrontare molteplici modalità di contenuto (immagine, testo o video). Ciò aumenta la quantità di informazioni contestuali di un modello e può aumentare notevolmente le prestazioni, che stiamo vedendo con i modelli di ricerca neurale multimodale. L'idea di poter cercare contemporaneamente tutti i file sul tuo laptop (non solo per nome ma anche scansionando il contenuto sottostante sia esso testo, immagine o video) è stata a lungo discussa. Apple ha fatto un buon tentativo con Spotlight ma non è stata all'altezza: ora Rewind sta affrontando questa sfida con l'IA multimodale. Allo stesso modo in cui l'Algolia è emersa come "Elasticsearch but easy" — stiamo vedendo emergere una serie di aziende con la stessa mentalità per la ricerca multimodale, come Marqo, Twelvelabs e Nuclia .

Qual è il prossimo?

Applicazioni di ricerca verticalizzate e l'unbundling di Google

Abbiamo tutti sentito parlare della morte di Google , ma vale la pena ricordare che il 40% della GenZ va su TikTok o Instagram, piuttosto che su Google, per la loro ricerca media . Con la tecnologia di ricerca SOTA ora allo scoperto e non rinchiusa a Mountain View, c'è un'opportunità emergente per le applicazioni di ricerca incentrate su un verticale specifico e un'ottima UX .

Ad esempio, Bloop sta costruendo una piattaforma per la ricerca di basi di codici aziendali grandi e complesse con facilità: una volta questo era un superpotere concesso solo agli ingegneri di Facebook e Google, ma ora gli ingegneri di qualsiasi azienda possono ottenere l'aumento della produttività. Modelli di business simili vengono applicati a verticali come i servizi medici, legali e finanziari e sono entusiasta di vedere come si evolvono.

Pensieri finali

C'è molto meritato clamore attorno all'IA generativa e per molti versi la ricerca è semplicemente sovradimensionata AI generativa . Google è stata a lungo la porta di accesso a Internet e ChatGPT ci ha dimostrato che potrebbe non essere sempre così. In Balderton, crediamo che la ricerca sia oggi una delle aree più entusiasmanti dell'IA: negli ultimi 12 mesi abbiamo sostenuto molte aziende native dell'IA come Levity , PhotoRoom e altre che non sono state annunciate. Se stai costruendo nello spazio, sentiti libero di contattarmi a [email protected]