Ho scelto Vectara per alimentare la ricerca su docs.qumulo.com dopo aver esaminato una serie di altre soluzioni di ricerca AI. La tecnologia è ora integrata direttamente nel Portale di Documentazione Qumulo, oltre ad altri siti web di Qumulo, cercando in ogni guida pubblicata lì.
La funzione che produce riassunti oltre a elenchi è particolarmente utile (per non parlare della funzione che può produrre riassunti nella lingua della query originale—non l'abbiamo ancora implementata). Rispetto alla precedente soluzione di ricerca basata su parole chiave che avevamo, Vectara offre un approccio completamente nuovo per trovare informazioni sul deployment e la configurazione di Qumulo Core.
Vectara è uno strumento molto entusiasmante che ha un potenziale incredibile, e mi piace il fatto che, ogni volta che mi blocco o incontro un problema con i repository GitHub come `vectara-ingest` o `vectara-answer`, c'è sempre un ingegnere senior per aiutare a risolvere un problema segnalato su GitHub, fornire codice di esempio o modificare il codice esistente nel repository—finora, tutti sono stati molto reattivi.
Mi piace il fatto che Vectara non mi costringa a entrare in un ecosistema come AWS, Azure o GCP. Qualsiasi risorsa che Vectara utilizza è gestita da Vectara, il che evita il lock-in del fornitore e astrae anche tutte le questioni infrastrutturali dal deployment e dalla configurazione sul campo che l'amministratore esegue. Recensione raccolta e ospitata su G2.com.
Vectara ha una curva di apprendimento molto ripida per qualcuno che non è un programmatore di professione e, sebbene io sia moderatamente competente con una varietà di framework e strumenti di sviluppo, sono un documentarista, non uno sviluppatore, il che significa che preferisco una soluzione chiavi in mano: qualcosa da distribuire, configurare e regolare in non più di 2-3 giorni in totale. Questo non è necessariamente un problema serio—man mano che Vectara cresce e sviluppa la loro offerta, avranno una definizione molto migliore per le principali persone utenti.
Quanto segue potrebbe sembrare una preoccupazione strana, ma attualmente Vectara offre troppi esempi e scenari invece di offrire soluzioni per i casi d'uso più *comuni*. Per colmare questa lacuna per il momento, consiglio di creare una guida introduttiva a prova di errore, end-to-end, che fornisca all'utente tutto ciò di cui ha bisogno per implementare la ricerca AI per lo scenario più comune: un sito web su un dominio (example.com) o sottodominio (docs.example.com) che ha una sitemap.
Attualmente, i modelli di Vectara sembrano essere basati principalmente su variamente configurate versioni di ChatGPT-3.5 e ChatGPT-4 di OpenAI. Sembra che l'utilizzo dei motori AI più recenti rallenti le query di Vectara. Sebbene io sia certo che la messa a punto dei prompt e le regolazioni date ai modelli saranno migliorate in breve tempo, potrebbe essere utile combinare una varietà di motori, specialmente per i riassunti. Recensione raccolta e ospitata su G2.com.
Validato tramite un account email aziendale
Recensione organica. Questa recensione è stata scritta interamente senza invito o incentivo da parte di G2, un venditore o un affiliato.
Questa recensione è stata tradotta da English usando l'IA.


