Vectara, una delle prime aziende nel campo della tecnologia Retrieval Augmented Generation (RAG), sta attualmente raccogliendo un round di finanziamento di serie A da 25 milioni di dollari. Questo avviene a fronte di una crescente domanda tra le aziende per le sue tecnologie. Finora, Vectara ha raccolto un totale di finanziamenti pari a 53,5 milioni di dollari.
Nata nell’ottobre 2022, Vectara ha inizialmente posizionato la sua tecnologia come una piattaforma di “ricerca neurale come servizio”. Successivamente, ha ridefinito la sua offerta come “ricerca fondata”, nota più ampiamente come RAG. Questa tecnologia si basa sull’idea che le risposte di un modello linguistico di grandi dimensioni siano supportate da un archivio di conoscenze aziendali, solitamente un database vettoriale. Vectara integra diversi elementi per creare una pipeline RAG completa, incluso il motore di incorporamento vettoriale Boomerang.
Oggi, oltre al nuovo finanziamento, l’azienda ha annunciato il lancio del suo nuovo modello di linguaggio Mockingbird, progettato appositamente per il RAG. Secondo Amr Awadallah, co-fondatore e CEO di Vectara, Mockingbird è stato sviluppato per essere più accurato e per garantire una maggiore integrità nei risultati.
Awadallah ha sottolineato che il RAG aziendale non si limita più a utilizzare semplicemente un database vettoriale. Con l’incremento dell’interesse e dell’adozione nell’ultimo anno, molti nuovi attori sono entrati in questo settore, supportati da tecnologie di database come Oracle, PostgreSQL, DataStax, Neo4j e MongoDB.
Vectara si distingue offrendo una piattaforma integrata che comprende tutti i componenti necessari per una pipeline RAG, evitando ai clienti di dover assemblare diverse parti individualmente. Questo approccio non solo migliora l’efficienza ma offre anche funzionalità di sicurezza avanzate e spiegazioni dettagliate per i risultati ottenuti.
Con Mockingbird, Vectara mira a differenziarsi ulteriormente nel competitivo mercato del RAG aziendale. Questo modello è stato ottimizzato specificamente per i flussi di lavoro RAG, garantendo una riduzione dei rischi di interpretazione errata e fornendo citazioni più precise e strutturate.
Infine, Awadallah ha enfatizzato che Mockingbird supporta output strutturati come JSON, essenziali per integrarsi con le API e supportare i flussi di lavoro basati su agenti AI.