BobvanLuijt的技术生涯始于15岁，他建立网站帮助人们在网上销售牙刷。没有多少15岁的孩子会这么做。显然，这给了范路易特足够的先机，使他能够在当今科技潮流的交汇点上取得成功。

范路易特继续学习艺术，但最终还是在科技领域全职工作。2015年https://www.searchenginejournal.com/google-algorithm-history/rankbrain/“target=”\u blank“rel=”noopener noreferrer nofollow“data component=”externalLink“>Google推出了RankBrain算法，搜索结果的质量大幅提升。这是一个分水岭，因为它在搜索中引入了机器学习。一些人注意到了这一点，包括van Luijt，他们看到了一个商机，决定把它带给大众。

ZDNet与van Luijt联系，了解更多信息。

谷歌的RankBrain机器学习是否能改善用户的搜索结果？当朗克布莱恩被介绍出来的时候，人们都很好奇。正如ZDNet自己的Eileen Brown所指出的：https://www.zdnet.com/article/does-googles-rankbrain-machine-learning-improve-search-results-for-users/“target=”\u blank“>是的，RankBrain提供的结果将变得更好，因为它了解到我们正试图要求它做什么

对于van Luijt来说，这是一个“啊哈”的时刻。像其他从事技术工作的人一样，他必须处理大量的非结构化数据。用他的话说，关联数据是个问题https://www.zdnet.com/article/i-got-99-data-stores-and-integration-them-aint-fun/“target=”\u blank“>即使是结构化数据，也很难进行数据集成。当您有来自不同来源的非结构化数据时，它变得非常具有挑战性。

Van Luijt读了RankBrain的文章，认为它使用单词矢量化来推断查询中的关系，然后尝试呈现结果。搜索引擎日志

向量是一个非常长的数字列表，可以认为是几何空间中的坐标。三维向量——即（X，Y，Z）形式的向量——对应于人类熟悉的空间。但是多维向量也存在，这使事情复杂化了：

“有很多维度，但是要描绘一幅心理画面，你可以说只有三个维度。现在的问题是，你可以用一个向量来识别照片中的图案，然后说，是的，它是一只猫，或者不，它不是一只猫。但是，如果你想拍十万张或者一百万张照片呢？然后你需要一个不同的解决方案，你需要有一种方法来查看空间并找到类似的东西。范路易特很感兴趣。他开始尝试自然语言处理（NLP）模型。他甚至直接问谷歌的员工：他们是否打算建立一个B2B搜索引擎解决方案？因为他们的回答是“不，“他打算用Weaviate用向量搜索文档空间href=“https://medium.com/technology-nineleaps/vectors-in-machine-learning-b8dbdae53aa0“target=”\u blank“rel=”noopener noreferrer nofollow“data component=”externalLink“>NLP机器学习模型输出向量：它们将单个单词放置在向量空间中。Weaviate背后的想法是：如果我们拿一个文档--一封电子邮件，一个产品，一篇文章，不管什么--看所有描述它的单词，然后计算这些单词的向量。

这就是文档在向量空间中的位置。然后，如果你问，例如：什么出版物与时尚最相关？搜索引擎应该深入到向量空间，找到像Vogue这样的出版物，因为它们在这个空间里接近“时尚”。

这是Weaviate所做的核心。此外，医疗保健。模块化的结构使人们也可以插入自己的矢量器。

Weaviate还可以与流行的机器学习框架一起工作，如Metro AG是一个突出的用例。

Metro面临的挑战是如何在市场中发现新的机会。Weaviate通过结合他们的CRM和打开街道地图。van Luijt指出，如果一个业务所在地无法与CRM中的客户关联，那么这就意味着一个机会。

GraphQL可以为跨行业提供良好的API UX

，问题在根级别总是一样的：非结构化数据需要与内部结构化的数据关联。众所周知，图形有助于利用连接。但事实证明，正如Metro用例所示，即使找不到连接也能产生业务价值。

Van Luijt坚信利用连接或缺乏连接的图表的价值。在数据仓库和数据湖中堆积数据https://www.zdnet.com/article/data-lakehouse-meet-fast-querys-and-visualization-databricks-uncleses-delta-engine-acquires-redash/“target=”\u blank“>湖边别墅和没有价值的东西。但是，要从数据中的连接获取值，它是app://obsidian.md/yearofgraph.xyz他指出：“target=”\u blank“rel=”noopener noreferrer nofollow“data component=”externalLink“>最有意义的图形模型。

然后，问题就变成了：我们如何让人们访问它？给人们很多能力，这样他们就可以做“大量的事情”，a图形查询语言可能有意义，van Luijt说。

但是如果你想让人们访问图形变得简单，这样他们的学习曲线就很短，GraphQL就变得有趣了，他接着补充说：“大多数不熟悉图形技术的开发人员，如果看到SPARQL，他们就会开始出汗，变得紧张。如果他们看到GraphQL，他们会说，‘嘿，我明白这一点。这很有道理。”“

还有一个GraphQL的优势：它周围的社区。有很多可用的库，因为Weaviate使用GraphQL，所以也可以使用这些库。vanluijt将使用GraphQL的决定描述为https://en.wikipedia.org/wiki/User\u体验“target=”\u blank“rel=”noopener noreferrer“data component=”externalLink“>用户体验（UX）决策——访问API的用户体验应该是平滑的。

Weaviate还支持模式的概念。当实例开始运行时，API端点变得可用，用户需要做的第一件事就是创建一个类属性模式。它可以是简单的，也可以是复杂的，现有的模式也可以被导入。

一种实用的方法

Van Luijt在谈到向量的局限性以及开源的使用时有非常实用的观点。至open core，被选为对客户和用户透明的机制。

可能令人惊讶的是，van Luijt指出Weaviate并不一定在寻找贡献者。拥有这样的服务固然不错，但开源服务的主要目的是支持审计。当客户要求他们的专家审核Weaviate时，数据库、图形和图形ql：过去、现在和未来

IOTA仍然希望构建一个更好的区块链，并在这一次获得正确的结果