オープンソースのベクトル検索エンジンである Qdrant は、以下が主導する 5,000 万ドルのシリーズ B 資金調達ラウンドを終了しました。 AVP、からの参加により ボッシュ・ベンチャーズ、 珍しい冒険、
スパークキャピタル、 そして 42CAP。
ベクトル検索は当初、比較的静的なデータセット内の密な埋め込みから最近傍を取得するための手法として登場しました。ただし、最新の AI システムは、より動的な条件下で動作します。現在、取得は、継続的に進化するデータセットと対話しながら、複数のデータ タイプにわたって大量のクエリを実行するエージェント ベースのワークフローに組み込まれることが多くなっています。
検索拡張生成 (RAG)、セマンティック検索、エージェントベースの推論などのアプリケーションには、運用規模で確実に動作できる検索システムが必要です。主に単一ベクトルの類似性を目的として設計されたツールや、従来のインデックス作成アーキテクチャに基づいて構築されたツールは、これらの要求の下では困難になる可能性があります。
Qdrant は、これらの変化する要件に対処するために開発されました。 Rust で構築されたこのシステムは、エンジニアが構成して組み合わせることができるモジュール式コンポーネント (インデックス付け、スコアリング、フィルタリング、ランキングなど) のセットとして検索を扱います。
この構成可能なアプローチにより、チームは密ベクトル、疎ベクトル、メタデータ フィルター、マルチベクトル表現、カスタム スコアリング関数を操作しながら、これらの要素が関連性、レイテンシー、コストに与える影響を制御できます。これらのオプションを公開することで、プラットフォームでは、ワークロードの進化に応じてアーキテクチャを大幅に変更することなく、精度、速度、効率などの優先順位に合わせて検索パフォーマンスを調整できるようになります。
Qdrant の CEO 兼共同創設者である AndréZayarni 氏は、多くのベクトル データベースは当初、単に密なエンベディングを保存し、最も近いものを取得するために設計されたものであり、現在では基本的な要件とみなされている機能であると述べました。
実稼働 AI システムには、検索のあらゆる側面 (インデックス付け、スコア付け、フィルタリング、待ち時間と精度のバランスをとる方法) が構成可能な決定となる検索エンジンが必要です。
それが私たちが構築してきたものであり、開発者や企業が内部および外部の AI ワークロードを拡張する際に求めているものです。この資金提供により、それを標準にする当社の能力が加速します。
新たな資金調達は、プロダクション AI システムのインフラストラクチャとしての Qdrant のコンポーザブル ベクター検索プラットフォームのさらなる開発と導入をサポートします。