San Francisco – Cognitum One™ ha annunciato il rilascio commerciale di RuVector™, un motore Rust open‑source che integra ricerca vettoriale, relazioni grafiche e memoria auto‑apprendente per gli agenti di intelligenza artificiale. Il nuovo modello aggiunge licenze commerciali, supporto enterprise e servizi di deployment al progetto già disponibile su GitHub, mantenendo la compatibilità con PostgreSQL, i browser e i dispositivi edge.

Caratteristiche principali di RuVector

RuVector è progettato per superare le limitazioni dei tradizionali database vettoriali, che memorizzano solo gli embeddings senza tenere traccia di come le idee si collegano o di quali risposte siano risultate utili. Le sue funzionalità chiave includono:

Ricerca e relazioni in un unico motore

    • Ricerca vettoriale veloce grazie a indicizzazione HNSW con accelerazione SIMD e query sub‑millisecondo.
    • Integrazione con un knowledge graph compatibile con Cypher, che consente agli agenti di seguire i collegamenti tra fatti senza ricorrere a un secondo database.

Apprendimento dal feedback esplicito

    • Quando i team registrano quali risultati sono stati utili, il modulo SONA aggiorna adapter LoRA leggeri.
    • Il consolidamento EWC++ protegge gli apprendimenti precedenti, evitando la “catastrophic forgetting”.
    • Gli aggiornamenti degli adapter sono separati dalla taratura dell’indice e dalle impostazioni di ranking, che rimangono sotto controllo dei team.

Integrazione nativa con PostgreSQL

    • L’estensione ruvector‑postgres è compatibile con pgvector e aggiunge 143 funzioni SQL per ricerca vettoriale, grafica e ibrida.
    • Le organizzazioni devono verificare la compatibilità con i propri carichi di lavoro pgvector; i dettagli di migrazione sono disponibili nella guida tecnica.

Memoria firmata e portabile

    • Il formato di file RVF raggruppa vettori, indici e metadati in un unico file con catene SHAKE256 per garantire l’integrità.
    • La stessa memoria può essere eseguita su server, in WebAssembly nel browser e su dispositivi edge, eliminando le spese per servizi vettoriali ospitati.

Perché RuVector si distingue

RuVector amplia il tradizionale Retrieval‑Augmented Generation (RAG) combinando ricerca per similarità con grafi di conoscenza, memoria persistente e apprendimento dal feedback. I vantaggi distintivi sono:

Apprendimento attivo

    • Contrariamente ai database vettoriali passivi, RuVector aggiunge un layer di rete neurale grafica che rafforza i percorsi più usati.
    • Cognitum One segnala miglioramenti di accuratezza dal 10 % al 30 % grazie al feedback degli utenti.
    • SONA applica aggiornamenti LoRA continui su CPU standard, con Elastic Weight Consolidation per preservare le conoscenze precedenti.

Stack tecnologico “tutto in uno”

    • Un unico motore sostituisce più sistemi: ricerca HNSW, engine grafico con query Cypher e hyperedge, e ruvllm per eseguire modelli linguistici e generare embeddings on‑device con accelerazione CUDA e Metal.
    • Un file RVF può contenere dati, modelli e strutture grafiche, avviando un microkernel in pochi millisecondi, quasi come un sistema operativo per agenti edge.

Performance native Rust

    • Implementazione Rust con SIMD (AVX‑512 e NEON) consente latenze di ricerca fino a 61 µs, 30‑800 volte più veloci dei database vettoriali tipici.
    • Capacità di inserimento superiori a 52 000 vettori al secondo su hardware commodity.

Efficienza di memoria

    • Circa 200 MB per un milione di vettori, contro 1‑3 GB dei concorrenti.
    • Quantizzazione automatica RaBitQ e product quantization comprimono i dati da 2 a 32 volte, permettendo l’uso su CPU a basso costo senza GPU.

Zero‑config e omnipresenza

    • Un solo comando npm install ruvector rileva l’ambiente e utilizza binding Rust nativi o WebAssembly per browser e iOS.
    • L’estensione PostgreSQL porta la stessa ricerca auto‑apprendente nei flussi di lavoro relazionali esistenti.

Applicazioni pratiche

Un esempio tipico è quello di un agente di supporto clienti che riceve un ticket di errore di login. RuVector recupera una soluzione precedente per un caso simile, segue il collegamento grafico alla versione del prodotto interessata e verifica che la correzione sia ancora valida. Quando il responsabile del supporto segna la risposta come utile, il feedback viene registrato e migliora il recupero per future richieste.

Secondo D. Christopher Keil, CEO fondatore di Cognitum One, “le imprese vogliono agenti che ricordino il loro business, non solo l’ultima conversazione, e hanno bisogno di sapere dove risiede quella memoria e chi l’ha modificata”. RuVector garantisce controllo, auditabilità e deployment su infrastrutture già fidate, permettendo una crescita scalabile da un singolo store di memoria a una rete condivisa tra più agenti, sistemi e sedi.

Disponibilità e modalità di adozione

RuVector è disponibile subito. Il progetto core resta open‑source sotto licenza MIT; la licenza commerciale di Cognitum One offre contratti di supporto enterprise, servizi di configurazione e deployment, aggiornamenti e manutenzione, oltre all’integrazione con Ruflo™ e ruOS™ sulle infrastrutture dei clienti. I costi di modello e infrastruttura sono a carico dell’utente.

Cognitum One consiglia di partire con un unico store di memoria e un agente, misurare la qualità del recupero su query reali e aggiungere gradualmente grafi, apprendimento dal feedback e funzioni RVF. Comandi di installazione, benchmark e l’inventario completo delle funzionalità sono disponibili nella guida tecnica su GitHub.

Chi è Cognitum One

Cognitum One è una società di intelligenza artificiale che costruisce una piattaforma sovrana per agenti, orchestrando AI dal cloud pubblico a sistemi on‑premise e edge a bassa potenza, mantenendo i carichi di lavoro dove performance, costo e sicurezza lo richiedono. La piattaforma è privata per default, con memoria auto‑apprendente in tempo reale, coordinazione di sciami distribuiti, percezione contactless, attestazione crittografica e integrazione MCP nativa, oltre a SDK per Rust, Node.js e Python. È progettata per imprese soggette a sovranità dei dati e restrizioni normative.

Il fondatore e Chief AI Officer Reuven “rUv” Cohen è anche creatore dei progetti open‑source RuView™, Ruflo e RuVector, mentre il CEO fondatore D. Christopher Keil guida la strategia commerciale.