Перцептрон был разработан в 1957-1958 годах американским учёным Фрэнком Розенблаттом в Корнельской авиационной лаборатории. Это была первая реализованная нейронная сеть, которая могла обучаться.

В то время, когда Элвис Пресли покорял мир своими выступлениями, а до полёта Юрия Гагарина в космос (12 апреля 1961 года) оставалось несколько лет, когда компьютеры представляли собой огромные шкафы, работающие на перфокартах, этот учёный-психолог и визионер построил настоящую машину будущего.

Внутри перцептрона находилось хитросплетение проводов и реле без каких-либо интегральных микросхем (которые появились только в начале 1960-х). Через матрицу фотоэлементов и резисторы, которые определяли веса связей, учёный обучал машину распознавать на фотографиях конкретные объекты. Концепция, кажущаяся простой сегодня: изображение разбивалось на матрицу из ячеек, где светлой ячейке присваивался 0, а тёмной — 1. В результате получалась матрица из нулей и единиц, и человек вручную настраивал веса связей и пороговые значения. В итоге перцептрон научился распознавать простые буквы и геометрические фигуры, но развитие технологии замедлилось после публикации книги "Перцептроны" Марвина Минского и Сеймура Пейперта в 1969 году, которая указывала на серьёзные ограничения однослойных перцептронов. Технология была революционной для своего времени, но процесс обучения был крайне трудоёмким.

Перемотаем вперёд на несколько десятилетий. Появились новые поколения исследователей и предпринимателей, которые обладали не только уникальным техническим мышлением, но и предпринимательской жилкой, что во многом определялось наступлением новой технологической эры.

Появились такие компании как Google (основана Ларри Пейджем и Сергеем Брином в 1998 году), а затем Яндекс (поисковая система запущена в 1997 году, компания основана в 2000 году).

Какую проблему они решали? По сути, ту же самую — они ускоряли поиск информации, но сфокусировались на глобальном потребителе и развивали технологии поиска информации в интернете. В результате они стали ведущими технологическими компаниями, которые дали возможность людям быстро находить необходимую информацию. Эта функция стала неотъемлемой частью повседневной жизни людей по всему миру.

По мере экспоненциального роста объёма данных в интернете (с 2000 по 2020 годы объем вырос в тысячи раз) требовались новые технические решения, способные сохранить скорость поиска, релевантность и в то же время обрабатывать огромные массивы информации. Традиционные алгоритмы и реляционные базы данных, работающие через последовательное сканирование, регулярные выражения, прямые сравнения и условия, стали недостаточно эффективными, а дисковые операции уже не удовлетворяли растущим требованиям пользователей.

Так с начала 2010-х годов начали активно развиваться векторные базы данных. Они не просто появились (концепция существовала и раньше), а начали получать значительные инвестиции, поскольку векторные, математические вычисления в сочетании с использованием оперативной памяти давали гораздо больший эффект в скорости обработки данных. На развитие этих технологий также повлияли достижения в области распределённых вычислений, хотя блокчейн имел лишь косвенное отношение к этому процессу.

В итоге векторные базы данных обрели новую жизнь и стали важной технологической основой. Сегодня мы можем локально развернуть любую векторную БД, такую как Pinecone (запущена в 2019), Weaviate (2019) или Milvus (2019).

И тут возник новый вызов: требовалось быстро наполнять базы данных векторами и, что особенно важно, автоматически распределять веса и приоритеты через алгоритмы, чтобы уйти от ручной настройки, которая отнимала слишком много времени.