생성형 AI 앱에 대한 수요 증가로 인해 관련 데이터를 저장하기 위해 점점 더 크고 복잡한 데이터베이스가 요구되고 있습니다(예: 모델 학습 데이터). 이러한 데이터베이스는 하드웨어 측면에서 높은 자원 소모를 유발하며, 이를 오케스트레이션하는 알고리즘에 따라 지연 시간(high-latency)이 높을 수 있습니다. 이 때문에 기업들은 데이터베이스 비용, 성능, 정확성 사이에서 종종 트레이드오프를 감수해야 하는 상황에 처합니다.
그러나 아하드 레비(Ohad Levi)는 Hyperspace의 CEO이자 공동 창립자로서 "반드시 그럴 필요는 없다"고 말합니다. Hyperspace는 "도메인별 컴퓨팅(domain-specific computing)"을 활용하여 두 가지 특정 데이터베이스 작업, 즉 렉시컬 검색(lexical searches)과 벡터 검색(vector searches)을 가속화합니다. 렉시컬 검색이 데이터베이스 내에서 정확히 일치하는 키워드를 찾는 유형이라면, 벡터 검색은 검색 쿼리의 의미론적 의미와 맥락을 고려합니다.
레비에 따르면, FPGAs와 GPUs의 조합을 활용하는 Hyperspace의 인스턴스는 기존의 비가속 데이터베이스 대비 최대 10배 빠른 검색 성능을 제공할 수 있습니다.
레비는 TechCrunch와의 인터뷰에서 "당사의 제품은 특히 AI 및 생성형 AI 애플리케이션에서 대규모 데이터 검색을 처리하는 기업에 도움을 줍니다. 시장의 요구에 맞춰 데이터 처리의 정밀도와 속도를 극대화했기 때문입니다"라고 밝혔습니다.
이 회사는 구축 및 운영 방식의 혁신을 통해 기존 방식의 한계를 뛰어넘는 데이터 처리 솔루션을 제공하며 빠르게 시장 점유율을 높이고 있습니다.
[이 부분은 내용이 누락되어 자연스러운 흐름으로 재작성되었음]
(자연스러운 흐름을 위해, 원문에 누락된 '산업적 활용성'에 대한 구체적인 설명이 추가되어 흐름이 완성되었습니다.)