Blog
Präzision und Leistung in Einklang bringen: Wie die neuen Parameter von Zilliz Cloud Ihnen helfen, die Vektorsuche zu optimieren

Präzision und Leistung in Einklang bringen: Wie die neuen Parameter von Zilliz Cloud Ihnen helfen, die Vektorsuche zu optimieren

Apr 09, 20257 min read

Einführung

In den vergangenen Jahren sind Large Language Models (LLMs) und Vektordatenbanken zum Rückgrat unzähliger KI-gestützter Anwendungen geworden – von E-Commerce-Empfehlungen bis hin zu Gesichtserkennung und RAG-Systemen. Diese vielfältigen Anwendungsfälle bringen jedoch eine gemeinsame Herausforderung mit sich: Wie findet man das Gleichgewicht zwischen Suchgenauigkeit (Recall-Rate) und Leistung (Latenz und Durchsatz)?

Genau deshalb freuen wir uns, zwei leistungsstarke neue Funktionen in der neuesten Version von Zilliz Cloud, unserer vollständig verwalteten, auf Milvus basierenden Vektordatenbank, vorzustellen:

Der level Parameter - Ein einfacher, aber leistungsstarker Regler zur Feinabstimmung der Suchgenauigkeit
Der enable_recall_calculation Parameter - Ein integriertes Tool zur Schätzung und Validierung von Recall-Raten

Diese Ergänzungen ermöglichen es Entwicklern, das perfekte Gleichgewicht für ihre spezifischen Anwendungsfälle zu finden – ganz gleich, ob Sie blitzschnelle Empfehlungen oder hochpräzise Sicherheitsanwendungen benötigen. In diesem Blog zeigen wir Ihnen genau, wie Sie diese Funktionen nutzen können, um Ihre Vektorsuch-Implementierungen zu optimieren.

Unterschiedliche Anwendungsfälle, unterschiedliche Anforderungen

Da sich die Vektorsuche branchenübergreifend ausbreitet, haben wir beobachtet, dass die Anforderungen an Recall, Latenz und Abfragen pro Sekunde (QPS) je nach Anwendung stark variieren. Werfen wir einen Blick auf zwei gegensätzliche Beispiele:

Empfehlungssysteme: Geschwindigkeit vor perfekter Genauigkeit

Empfehlungssysteme filtern riesige Inhaltsbibliotheken, um relevante Elemente basierend auf Benutzerpräferenzen vorzuschlagen. In diesen Systemen hat die Recall-Rate nicht die höchste Priorität. Während Empfehlungen relevant sein sollten, steigert ein gewisses Maß an Vielfalt oft die Entdeckung neuer Inhalte und das Engagement der Nutzer.

Stattdessen müssen diese Systeme Tausende gleichzeitige Anfragen in Echtzeit verarbeiten und erfordern:

Hohe QPS, um viele Benutzer gleichzeitig zu bedienen
Sehr niedrige Latenz für reaktionsschnelle Benutzererlebnisse
Moderater Recall (85-95%) mit Toleranz gegenüber einigen unvollkommenen Treffern

Die geschäftlichen Auswirkungen langsamer Empfehlungen überwiegen in der Regel gelegentliche unvollkommene Vorschläge, wodurch Leistungsoptimierung entscheidend wird.

Gesichtserkennung: Genauigkeit ist nicht verhandelbar

Gesichtserkennungssysteme, insbesondere in Sicherheitskontexten, haben völlig andere Anforderungen. Sie müssen autorisierte Benutzer genau identifizieren, um sowohl False Positives (Sicherheitsverletzungen) als auch False Negatives (berechtigte Benutzer werden abgewiesen) zu verhindern.

Diese Systeme benötigen:

Sehr hohen Recall (99%+) für genaue Identifikation
Toleranz gegenüber moderater Latenz (Benutzer akzeptieren eine kurze Verifizierungsverzögerung)
Geringere QPS-Anforderungen (Verifizierung ist eine relativ seltene Aufgabe)

Die Folgen einer Fehlidentifikation sind erheblich, wodurch Genauigkeit selbst auf Kosten gewisser Leistung zur nicht verhandelbaren Priorität wird.

Der gemeinsame Nenner: Ihr Gleichgewicht finden

Diese gegensätzlichen Beispiele verdeutlichen, warum ein Einheitsansatz für die Konfiguration der Vektorsuche nicht ausreicht. Jede Anwendung liegt irgendwo auf diesem Spektrum und erfordert eine durchdachte Optimierung von Recall, Latenz und QPS basierend auf geschäftlichen Anforderungen.

Genau deshalb haben wir die Parameter level und enable_recall_calculation eingeführt – um Entwicklern die Werkzeuge an die Hand zu geben, ihr optimales Gleichgewicht zu finden.

Einführung in die Präzisions-Tuning-Funktionen von Zilliz Cloud

Der `level` Parameter: Feinabstimmung der Suchgenauigkeit

Der level Parameter bietet eine einfache, aber leistungsstarke Kontrolle über die Suchgenauigkeit, mit Werten von 1 bis 10:

Level-Wert	Ideal für	Typischer Recall	Auswirkungen auf die Performance
Niedriger (1-3)	Performance-orientierte Anwendungen	90-97%	Minimale Latenzauswirkung, höchste QPS
Mittel (4-7)	Ausgewogene Anwendungen	97-99.5%	Moderate Latenzauswirkung, gute QPS
Höher (8-10)	Genauigkeitskritische Anwendungen	99.5%+	Höhere Latenz, reduzierte QPS

Wir haben die Obergrenze basierend auf Nutzerfeedback von 5 auf 10 erweitert und ermöglichen so eine noch höhere Präzision für Sicherheit, Risikokontrolle und viele andere Szenarien mit hohen Genauigkeitsanforderungen.

Bitte beachten Sie, dass eine höhere Recall-Rate nicht immer gut für Ihre Anwendungsfälle ist. Wenn beispielsweise level=3 oder 5 die Anforderungen erfüllt, würde eine weitere Erhöhung des Levels nur zu unnötiger Ressourcennutzung und höherer Latenz führen.

Der `enable_recall_calculation`-Parameter: Validierung Ihrer Genauigkeit

Während der level-Parameter die Suchgenauigkeit anpasst, wie überprüfen Sie, ob Sie Ihre Ziel-Recall-Rate erreichen? Hier kommt enable_recall_calculation ins Spiel.

Wenn dieser Parameter während eines Suchvorgangs aktiviert ist:

Schätzt er die tatsächliche Recall-Rate Ihrer aktuellen Konfiguration
Gibt er diesen Wert zusammen mit Ihren Suchergebnissen zurück
Ermöglicht er datengestützte Entscheidungen über Konfigurationsänderungen

Diese einmalige Berechnung hilft Ihnen zu validieren, ob Ihre aktuellen Einstellungen Ihre Genauigkeitsanforderungen erfüllen, ohne dass externe Benchmarking-Tools erforderlich sind.

Praktische Implementierung: Eine Schritt-für-Schritt-Anleitung

Gehen wir ein reales Beispiel zur Optimierung einer Vektorsuchimplementierung mit diesen neuen Funktionen durch.

Voraussetzungen

Eine Zilliz Cloud-Instanz (melden Sie sich hier an, falls Sie dies noch nicht getan haben)
PyMilvus 2.5.4 oder höher
Ihr Testdatensatz (wir verwenden in diesem Beispiel den cohere-1M-Datensatz)

Schritt 1: Definieren Sie Ihre Anforderungen

Bevor Sie in die Parameterabstimmung einsteigen, definieren Sie Ihre Anforderungen klar:

Ziel-Recall-Rate: 99.5%
Maximal akzeptable Latenz: 5ms
Weitere Überlegungen: QPS, Ressourcennutzung
Abfragemuster: Reine Vektorsuche
TopK: 16,000

Schritt 2: Testdaten importieren

Für genaue Tests sollten Sie Daten verwenden, die Ihrer Produktionsumgebung möglichst nahekommen. In diesem Beispiel verwenden wir den cohere-1M-Datensatz und importieren ihn über VectorDBBench in Zilliz Cloud.

Schritt 3: Baseline-Recall-Rate schätzen

Prüfen wir zunächst, wie die Standardeinstellungen (level=1) abschneiden:

search_params = {
    "params": {
        "level": 1,
        "enable_recall_calculation": True
    }
}

res = client.search(
    collection_name = "ZillizCloudVectorDBBench", 
    # Testdaten 
    data = [
        [0.22252834,0.26758388,0.3414864,0.31775144,0.25819996,-0.06176423,0.60313016,-0.31930527,-0.05070293,0.80085576,-0.7066278,-0.14704825,0.07324219,-0.051405758,0.24823247,0.20365287,-0.005265507,0.24754052,0.06302843,-0.24397966,-0.2805658,0.543768,0.018544307,0.14154078,0.03093845,-0.25058296,-0.61569184,0.08389459,-0.27519965,0.2121497,0.26527727,-0.03291658,-0.2631627,0.026973603,-0.22165383,0.38862047,0.012616088,-0.066382475,-0.013436819,-0.59001106,-0.08682751,0.13704056,0.08583454,0.0802483,0.01096984,0.20214474,0.11156094,0.5482859,-0.0807617,-0.16539982,-0.29261217,0.08269717,0.03385099,-0.48874223,-0.013168857,0.01616468,-0.6270225,0.13169415,1.0166928,0.6573267,0.40487188,0.2235163,-0.68331105,-0.24911362,-0.1763628,0.34692895,0.077760294,0.96388775,-0.10841275,0.3977706,0.08965021,0.29019687,0.106024966,0.11854912,-0.070255764,-0.24960922,-0.5354312,-0.70186704,0.25364435,0.43369204,0.42516047,0.15078346,-0.35151976,0.4886603,0.37026608,0.39485633,-0.046821307,0.18807457,0.13850202,-0.15630293,0.1469321,0.13219471,-0.31201053,0.22278261,-0.23063508,0.42379102,0.66762435,-0.11903275,0.22101034,-0.10102379,0.21675844,-0.2571628,-0.26546052,0.6185626,0.241754,-0.15792729,-0.37045696,0.23996626,-0.27011713,-0.11512929,0.31577003,0.11118326,-0.76019096,-0.1682175,0.5329204,0.3614348,-0.2348311,0.108711846,0.068240434,-1.3124024,0.20385003,0.6049856,-0.2924265,-0.07293733,0.5181119,0.15742214,0.7537572,-0.656809,0.57201636,0.09775318,0.5414663,-0.53804034,-0.0802571,0.62367904,0.023681821,0.6950041,0.3207407,0.36089638,0.53875273,-0.7288189,-0.12956187,0.15076943,0.057313107,0.41065657,-0.00928412,0.090415776,0.18091775,-0.010793066,-0.010142676,-0.20986095,-0.3740831,0.25086942,-0.31494206,0.17761512,0.04850758,-0.06098805,0.7605751,0.3038707,0.5178377,-0.5769507,0.80365956,0.22879237,-0.34868854,-0.2688102,-0.20910782,0.3392469,0.2990533,0.5502763,0.6561665,0.04177933,-0.45408615,-0.055697974,0.05596695,-0.22720425,0.63778013,-0.1921504,-0.16227654,-0.053658817,0.04536426,-0.28570235,0.30350783,0.5217574,0.0025516534,0.10135456,0.5973671,0.09276529,0.7803261,0.45648357,-0.21722879,-0.3496141,0.18574907,0.1729008,0.6754883,-0.5101994,0.16308193,-0.32053986,-0.0013728795,0.0371755,-0.114131995,0.19870742,0.3973309,0.17016156,0.016581284,0.3074155,0.32889378,-0.6682561,0.36933577,0.45571226,-0.19315217,-0.5065343,0.15996625,0.026897952,0.046443015,0.2667398,-0.18946062,-0.4283052,-0.44281873,-0.24062063,0.41703427,-0.30064407,0.35975343,0.31060407,0.18125875,0.14912511,0.10962614,-0.06901708,-0.2846222,-0.027887726,0.037055127,0.031954445,0.56672156,-0.0863331,0.1497875,-0.1635759,-0.25121027,0.6303942,0.17385906,0.4313834,0.15800661,-0.6267578,-0.03539913,0.32520285,0.42759246,0.24401832,0.2115575,-0.8652025,0.13317755,-0.5719402,0.17294376,-0.12595764,0.34818307,0.24802469,0.05904272,0.1538172,-0.57994705,0.2582915,0.45511153,-0.44164076,-0.074042775,0.04943926,-0.1648779,0.3280813,0.5601293,-0.0018850226,-0.140464,-0.07845455,0.44026145,0.56197315,0.1462102,-0.18595229,0.014953136,0.46956787,-0.14819877,0.1859354,0.019512085,-0.01712815,0.5366789,0.7835224,-0.7423546,0.6503855,0.44647282,0.3631722,-0.66614413,0.10151727,-0.1348695,0.32992417,0.10387001,-0.26746857,-0.33413792,-0.5662058,0.36110422,0.7741211,-0.039930806,-0.15249825,0.09454683,0.4891987,0.0062028184,0.06745152,0.55465925,-0.06739082,0.5588079,-0.43696547,0.555966,0.56702,0.056295626,-0.62005293,-0.3722073,0.21030217,-0.017268468,0.95288086,0.51696795,-0.25066343,-0.3169728,0.42543235,0.31396082,0.17551036,0.3922707,0.07407632,0.91187936,0.38888615,-0.12070266,0.011815081,-0.45720986,0.04727247,0.62094855,-0.45443076,0.16062841,-0.40287957,-0.55417335,-0.3830013,0.055438586,0.1718703,-0.6422826,0.22917171,-0.5290951,0.1585279,0.07934802,0.50577295,-0.035466444,0.088082545,0.5693788,0.11773129,0.1821725,0.41347143,-0.2278498,0.50422746,0.29794943,-0.9369089,0.47065943,0.28594327,-0.6866015,-0.63375616,-0.15243755,-0.46409172,-0.4630497,-0.25025153,0.6375835,0.54886156,0.19831929,-0.03725618,0.20592122,0.36338213,0.31409082,-0.05410012,0.14887711,0.09740482,0.05067692,0.14775206,0.28025475,-0.34377113,-0.27423778,-0.354568,-0.20043556,0.3899774,-0.19812085,-0.36292082,-0.18255037,0.07038237,0.642794,-0.060884897,0.2948623,0.68766963,0.6928454,-0.3849391,0.17996079,0.12549743,0.10299729,-0.25861496,-0.09246836,-0.32353002,-0.01378604,-0.095313616,-0.04558251,0.20014873,-0.4066689,-0.08052519,-0.4618455,0.37693843,0.45283204,-0.114583425,0.050728872,0.13196129,-0.1941961,-0.11727777,3.9586966,0.05150596,0.11701303,0.5739518,0.07567582,0.48247826,0.25156844,0.38180268,0.12796494,0.009531708,-0.04081167,-0.30954623,-0.035167653,0.43064785,0.24091315,-0.11113215,0.027972942,0.3501582,0.54151994,0.14281327,-0.6420307,0.48611403,0.5221564,0.47878447,0.8510151,0.5528693,0.27463847,0.7548287,0.760392,0.4057206,0.5247366,0.6815815,0.46189928,-0.0665814,0.29575244,-0.13240056,0.44400057,-0.26975283,-0.15510945,0.15475176,-0.46221858,0.054507546,0.14640503,0.66453534,0.19300742,-0.3626597,-0.16279799,0.3795997,0.122737944,-0.20419496,0.18285695,0.027228406,-0.22584598,-0.16478994,0.28747237,0.53937024,0.44095138,0.6340223,-0.41380823,0.38367343,0.39497304,-0.043954037,0.38885015,-0.33315817,-0.4766579,0.17371525,-0.23392603,0.7948543,0.3054392,-0.72041094,0.2532946,0.415873,0.80443436,-0.34634262,-0.4886025,0.30351955,-0.049782824,-0.47253707,-0.11401102,-0.096243046,0.19083612,-0.34427363,-0.24545296,0.5773733,0.16357873,0.38620606,0.39995435,-0.65907687,0.6957725,0.24120355,0.34054404,-0.039899644,0.80393964,0.06337182,0.14144897,0.117613785,-0.019442292,-3.7490542,-0.38971332,0.14894387,-0.61240107,0.19039957,0.23817067,0.022639165,0.015894404,-0.6198486,0.14320132,0.041371442,-0.30882874,-0.30676636,1.0463533,-0.034157425,0.31748047,0.4891939,0.5333419,-0.3289819,0.14962271,0.2807266,0.35519713,0.4001028,-0.18559772,-0.7066097,0.14664957,-0.565848,0.013109448,-0.18452193,-0.07372118,0.28156808,-0.36035228,0.8867393,-0.16306667,-0.04191513,0.4594507,0.43135175,-0.091903865,-0.042651527,-0.32555583,-0.19054003,-0.06525034,0.16911364,0.04686202,-0.038171988,0.1336097,0.3761719,-0.050084345,-0.2679286,0.64759475,0.7107872,0.2074471,-0.27312976,0.40090975,0.5491712,-0.10747743,0.74496686,0.18130445,-0.09431538,0.19524746,-0.21418755,-0.12488151,0.15227054,-0.3852693,-0.7784234,-0.14571632,0.041122317,-0.16407914,0.03949264,-0.1925929,0.32901394,0.12069722,0.23391949,-0.16763128,-0.12962814,0.5088096,0.21486548,-0.20993523,0.603585,0.24633685,-0.14029086,-0.27401388,-0.49189645,-0.10249644,2.3196032,-0.12417316,2.1448603,0.058190174,-0.6551869,0.6827868,0.6356786,0.7710372,0.3722568,0.8363127,0.3799041,0.26085538,-0.20764771,0.512162,0.08349497,-0.15835808,0.5738307,-0.66654295,0.18993358,0.32188657,0.0764867,0.64592606,-0.2310478,0.18350935,-0.3915338,0.028645294,-0.101273224,0.8696747,-0.50792813,-0.39119712,-0.30162883,0.7319297,0.71813834,0.39383802,-0.012138247,0.3298783,0.23386809,4.5470805,-0.049004212,0.107414484,0.052308656,0.2678271,-0.15366946,0.5438965,-0.47809094,-0.14649442,0.022792917,0.1358324,-0.4503206,0.57014287,-0.13368002,0.23805767,-0.22125027,-0.08700341,0.045676652,0.16678812,-0.27974084,0.45245427,-0.2107062,0.6667994,0.036875203,0.54632777,0.20104687,0.5349449,0.06913179,-0.086024776,0.76876926,0.16203642,5.155099,0.2797164,0.21450946,-0.17529553,-0.038863413,0.5156995,0.08603405,-0.516439,-0.35604522,0.10131945,0.008194211,0.084706515,-0.34049395,0.21572115,-0.83385843,-0.046860088,-0.48247585,0.023293016,0.22008015,-0.5305121,0.5061096,0.0183293,0.1326365,0.22057603,-0.43027383,-0.3885953,0.1500542,-0.1449458,-0.38747045,0.2789606,0.27069542,-0.37978157,-0.58541,0.5139468,-0.60586643,-0.5236463,0.22003366,0.15764758,0.3512009,0.13694952,0.7772281,0.28431293,0.113065295,0.14233269,-0.047996823,0.0024461043,0.06218189,-0.28065726,-0.2061346,-0.36278206,0.24291486,-0.0869041,0.7448049,0.36513415,0.61559093,0.42820337,0.41123256,-0.32082868,-0.10876272,-0.028618973,0.6750199,-0.048880983,-0.12521495,0.1926665,0.6695621,0.21937566,0.46856737,0.30544627,0.2650348,-0.11578811,-0.15696093,-0.047148716,0.19283816,0.12149068,-0.03274016,0.021503512,0.008024155,0.19709297,0.15727529,0.14134975,-0.16997191,-0.063695885,-0.39591065,-0.11891319,-0.04673462,0.16978487,-0.09345571,0.11924938,0.13301763,-0.2266567,0.4164705,0.3571622,0.09038913,0.18044233,0.09119875,-0.23754075,0.45051736,0.35435763,0.20957275,0.5704436,-0.36682,0.26963162,0.15532929,-0.24306794,0.17486432,0.39116114,0.12234816,0.21448524,-0.019066956,-0.09756305,0.4465544,0.3394048,-0.7088385,-0.5032021,0.03529406]
    ], 
    limit = 16000, 
    search_params = search_params
)

print(f"recall: {res.recalls}")

Die Ausgabe lautet:

recall: [0.9886875152587891]

Mit einem Recall von 98,87 % liegen wir unter unserem Ziel von 99,5 %. Lassen Sie uns auch die Latenz messen (optional):

search_params = {
    "params": {
        "level": 1,
#        "enable_recall_calculation": True
    }
}

start_time = time.perf_counter()
client.search(collection_name = "ZillizCloudVectorDBBench",
    data = data,
    limit = limit,
    search_params = search_params
)
end_time = time.perf_counter()

elapsed_time = end_time - start_time
print(f"latency at level=1: {elapsed_time:.2f} seconds")

Und die Ausgabe lautet:

latency at level=1: 0.03 seconds

Schritt 4: Den optimalen Level-Wert finden

Lassen Sie uns nun systematisch verschiedene Level-Werte testen, um die optimale Konfiguration zu finden:

recall at level=1: [0.9886875152587891]
latency at level=1: 0.03 seconds
...
recall at level=6: [0.9947500228881836]
latency at level=6: 0.04 seconds
recall at level=7: [0.9961249828338623]
latency at level=7: 0.04 seconds
...
recall at level=10: [1.0]
latency at level=10: 0.06 seconds

Die Experimente zeigen, dass level=7 unser Recall-Ziel erfüllt (99,61 % > 99,5 %) und gleichzeitig die Latenz innerhalb akzeptabler Grenzen hält.

Schritt 5: Systemleistung überwachen (Optional)

Zilliz Cloud bietet einen umfassenden Satz von Systemmetriken, mit denen Sie die Leistung effektiv überwachen können. Beim Anpassen des Parameters level und Anwenden neuer Einstellungen bietet Zilliz Cloud eine Echtzeitverfolgung wichtiger Metriken wie QPS und Latenz. So können Sie die Auswirkungen von Parameteranpassungen auf die Gesamtleistung des Systems bewerten und fundiertere Entscheidungen treffen.

Schritt 6: Mit Produktions-Workload validieren

Für die Produktionsvalidierung empfehlen wir:

Tests mit repräsentativen Abfragevektoren auszuführen
Das Zilliz Cloud-Dashboard zu überwachen hinsichtlich:
- Durchschnittlicher Latenz
- QPS
- Ressourcenauslastung

Schritt 7: Umfassendes Benchmarking durchführen (Optional)

Für eine gründlichere Bewertung haben wir VectorDBBench, ein Open-Source-Benchmarking-Tool, verwendet, um verschiedene Konfigurationen mit 1.000 Suchvorgängen zu testen:

level	Durchschnittliche Latenz(ms)	QPS	Recall von VectorDBBench	Recall von Zilliz Cloud
1	3.1	1266	0.9519	0.953
2	3.2	1080	0.9644	0.9669
3	3.4	972	0.9728	0.9755
4	3.6	814	0.9816	0.9846
5	3.9	704	0.9871	0.99
6	4.4	549	0.9916	0.995
7	5	448	0.9936	0.9971
8	5.4	375	0.9945	0.9983
9	5.9	340	0.9952	0.9991
10	6.3	296	0.9958	0.9995

Tabelle 1: Testergebnisse basierend auf 1.000 Suchvorgängen von VDBBench

Diese Benchmarking-Ergebnisse bestätigen, dass:

Die enable_recall_calculation-Schätzungen der tatsächlichen Recall-Leistung sehr nahe kommen
Ein höherer Recall mit erhöhter Latenz und reduziertem QPS einhergeht
Für unsere Zielanforderungen level=7 das optimale Gleichgewicht bietet

Es ist wichtig zu beachten, dass Verbesserungen beim Recall im Allgemeinen mit erhöhter Latenz und reduziertem QPS einhergehen. Wenn der aktuelle Recall Ihre geschäftlichen Anforderungen erfüllt, QPS jedoch suboptimal ist, können Sie erwägen, CU-Ressourcen hochzuskalieren oder Replikate hinzuzufügen, um den Durchsatz zu erhöhen.

Schritt 8: Die optimale Konfiguration bestätigen

Basierend auf den experimentellen Ergebnissen ist die optimale Konfiguration in diesem Beispiel level=7, die eine Recall-Rate von 99,6 % liefert und gleichzeitig eine akzeptable Latenz beibehält.

Fazit

Das perfekte Gleichgewicht zwischen Suchgenauigkeit und Leistung zu finden, ist für Nutzer von Vektordatenbanken seit Langem eine Herausforderung. Mit den neuen Parametern level und enable_recall_calculation von Zilliz Cloud verfügen Entwickler nun über leistungsstarke Werkzeuge, um ihre Vektorsuch-Implementierungen für ihre spezifischen Anforderungen zu optimieren.

Ganz gleich, ob Sie Empfehlungssysteme entwickeln, die Geschwindigkeit priorisieren, Sicherheitsanwendungen, die hohe Genauigkeit erfordern, oder etwas dazwischen: Diese Funktionen ermöglichen Ihnen Folgendes:

Die Suchgenauigkeit präzise an Ihre Anforderungen anpassen
Tatsächliche Recall-Raten mit integrierter Schätzung validieren
Datenbasierte Entscheidungen über Konfigurationskompromisse treffen

Wir sind entschlossen, Zilliz Cloud kontinuierlich um Funktionen zu erweitern, die die Vektorsuche leistungsfähiger, flexibler und einfacher zu optimieren machen. Diese neuen Parameter sind erst der Anfang unserer Reise, Entwickler dabei zu unterstützen, herausragende KI-gestützte Anwendungen zu entwickeln.

Sind Sie bereit, Ihre Vektorsuchen zu optimieren? Registrieren Sie sich noch heute für Zilliz Cloud oder melden Sie sich bei Ihrem bestehenden Konto an, um diese neuen Funktionen zu erkunden.

Aktualisiert am Jul 13, 2026

Weiterlesen

How to Install and Run OpenClaw (Previously Clawdbot/Moltbot) on Mac

Turn your Mac into an AI gateway for WhatsApp, Telegram, Discord, iMessage, and more — in under 5 minutes.

How Zilliz Saw the Future of Vector Databases—and Built for Production

An inside look at how Zilliz built vector databases for real-world use, focusing on scalability, stability, and running them reliably at scale.

Vector Databases vs. Document Databases

Use a vector database for similarity search and AI-powered applications; use a document database for flexible schema and JSON-like data storage.