Qdrant, une startup de bases de données vectorielles open source basée à Berlin fondée en 2021, est déterminée à aider les développeurs d'IA à utiliser plus efficacement les données non structurées. Cela correspond à la demande croissante d'applications alimentées par l'IA et à la montée en puissance de l'IA générative telle que ChatGPT dans le courant dominant. Au fur et à mesure que les plates-formes se développent, l'infrastructure requise pour les cas d'utilisation émergents doit suivre le rythme, et c'est précisément là que Qdrant intervient.
Dans l'intention d'amener son moteur de recherche de vecteurs open source et sa base de données de données non structurées plus profondément dans le domaine commercial, Qdrant a récemment annoncé un financement de démarrage de 7,5 millions de dollars dirigé par Unusual Ventures. Parmi les autres participants à ce tour figurent 42cap, IBB Ventures et plusieurs investisseurs providentiels tels que le co-fondateur de Cloudera, Amr Awadallah. Ce nouveau financement s'appuie sur les 2 millions d'euros (2,2 millions de dollars) de financement de pré-amorçage que Qdrant a levés l'année dernière.
Les bases de données vectorielles, conçues pour stocker des données non structurées, telles que des images, des vidéos et du texte, permettent aux utilisateurs et aux systèmes de rechercher du contenu non étiqueté. Cette technologie est essentielle pour élargir les applications potentielles des grands modèles de langage (LLM) comme GPT-4, qui alimente ChatGPT. Environ 90 % des nouvelles données générées dans les entreprises ne sont pas structurées, selon Gartner, et les données non structurées se développent trois fois plus vite que leurs homologues structurées.
Le PDG et co-fondateur de Qdrant, Andre Zayarni, estime que le manque d'outils appropriés et la capacité de connecter les LLM à des données non structurées en temps réel sont une raison importante pour laquelle la plupart des projets de recherche et développement sur l'IA n'atteignent pas la production. En utilisant des bases de données vectorielles pour étendre les LLM, les développeurs peuvent créer des applications d'IA plus utiles en exploitant des données réelles en temps réel.
Les bases de données vectorielles open source ont attiré l'attention des investisseurs ces dernières années. L'année dernière, Pinecone, qui propose une solution similaire à Qdrant, a levé 28 millions de dollars. La fondation open source de Qdrant est un avantage majeur, selon Zayarni, car elle renforce la confiance entre les ingénieurs et empêche les logiciels propriétaires de rivaliser sur le marché. D'autres exemples incluent la base de données vectorielles open source Milvus de Zilliz, qui a levé 60 millions de dollars, et le financement de démarrage de 18 millions de dollars de Chroma plus tôt ce mois-ci pour sa base de données vectorielles open source native AI.
Le financement de démarrage de 7,5 millions de dollars pour Qdrant témoigne de l'intérêt accru des investisseurs pour les technologies qui font progresser l'IA et l'apprentissage automatique, étendant leurs capacités aux développeurs. Zayarni a mentionné que Qdrant a reçu sa première feuille de conditions deux jours seulement après l'envoi de son pitch deck, qui a été suivi de près par une deuxième feuille de conditions.
Récemment, Qdrant a présenté son offre de cloud géré, conçue pour aider les développeurs avec des déploiements en un clic, des mises à niveau de version automatisées, des sauvegardes et une interface d'administration de base de données à venir. Avec son dernier cycle de financement, Zayarni a souligné que Qdrant développe également un produit d'entreprise, qui peut être hébergé sur site ou dans des clouds privés, et devrait être lancé plus tard cette année.
Les plates No-code, comme AppMaster.io, sont de plus en plus populaires, permettant aux entreprises et aux particuliers de créer des applications Web, mobiles et backend sans connaissances approfondies en matière de codage. Ces plates-formes permettent aux développeurs d'expérimenter de nouvelles idées dans le domaine de l'IA sans la complexité du codage traditionnel, accélérant davantage le processus de développement global et permettant à l'industrie de répondre à la demande d'applications d'IA.
