Milvus 2.3 Beta und Enterprise-Upgrades auf Zilliz Cloud
Zilliz Cloud bietet jetzt die Beta-Version von Milvus 2.3 an und markiert damit ein bedeutendes Update in der Vektordatenbanktechnologie. Diese Version führt Funktionen ein, die darauf abzielen, Datenmanagement- und Abfrageprozesse für Entwickler zu verbessern. Darüber hinaus führt Zilliz Cloud neue, auf Unternehmen ausgerichtete Funktionen ein, was das Engagement widerspiegelt, skalierbare, robuste Datenlösungen in professionellen Umgebungen zu unterstützen.
Verfügbare Funktionshighlights von Milvus 2.3
Milvus 2.3, als Beta-Version auf Zilliz Cloud verfügbar, führt mehrere wichtige Funktionen ein, die die Interaktion mit Vektordatenbanken revolutionieren.
Die Integration von Kosinus-Ähnlichkeit in Milvus 2.3 bringt erweiterte Möglichkeiten für Ähnlichkeitsberechnungen, macht eine vorherige Vektornormalisierung überflüssig und optimiert Suchprozesse. Die neue Funktion Range Search erweitert den Umfang von Vektorabfragen und bietet genauere und vielfältigere Methoden zum Datenabruf, was besonders für Empfehlungssysteme von Vorteil ist. Die Funktionalität Upsert, eine bedeutende Ergänzung, optimiert das Datenmanagement. Sie steigert die Effizienz beim Aktualisieren und Manipulieren von Datensätzen – ein entscheidender Vorteil in dynamischen Umgebungen, in denen Datenkonsistenz und Atomarität von größter Bedeutung sind.
Weitere Details zu zusätzlichen Funktionen wie Raw vector returns, dem JSON_CONTAINS-Filter, entity count und mehr finden Sie in der Dokumentation.
Verbesserte Unternehmensfunktionen
Parallel zu diesen Fortschritten bei der KI-nativen Vektorsuche hat Zilliz Cloud bedeutende Verbesserungen bei Unternehmensfunktionen eingeführt. Das erweiterte Role-Based Access Control (RBAC)-System umfasst jetzt neue Projektmitgliederrollen, die eine stärker angepasste Zugriffskontrolle ermöglichen und die Sicherheit auf Projektebene verbessern. Die allgemeine Verfügbarkeit der AWS-Region EU Frankfurt erweitert die geografischen Optionen und erfüllt unterschiedliche technische und regulatorische Anforderungen. Darüber hinaus gibt die Einführung der Self-Service-Funktion zum Löschen von Konten und Organisationen den Nutzern mehr Kontrolle und Flexibilität bei der Kontoverwaltung. Diese Erweiterungen sowie weitere Verbesserungen bei Stabilität und Benutzererfahrung unterstreichen die Anpassungsfähigkeit und Leistungsfähigkeit von Zilliz Cloud bei der Erfüllung vielfältiger Unternehmensanforderungen.
Verfügbarkeit von Zilliz Cloud auf Azure
Zilliz Cloud ist jetzt auf Microsoft Azure verfügbar und startet in der Region azure-east-us. Diese Erweiterung bietet Azure-Entwicklern und Unternehmen eine neue Wahlmöglichkeit für die Verwaltung von Vektordatenbank-Workloads. Dieser Schritt markiert außerdem die vollständige Verfügbarkeit von Zilliz Cloud auf allen wichtigen Cloud-Plattformen, einschließlich AWS und Google Cloud.
Unser Engagement für Azure geht über diesen Erfolg hinaus, mit bevorstehenden Verbesserungen wie der Expansion in neue Azure-Regionen, die mehr Flexibilität bei der Bereitstellung von Zilliz Cloud entsprechend Ihren Anforderungen bieten. Darüber hinaus wird Zilliz Cloud bald auf dem Azure Marketplace verfügbar sein, wodurch Verwaltungs- und Zahlungsprozesse optimiert werden.
Fazit
Ihr Feedback ist entscheidend für die Weiterentwicklung von Milvus und Zilliz Cloud. Wir laden unsere Entwickler-Community ein, ihre Gedanken und Funktionswünsche über unseren Discord-Kanal zu teilen oder uns direkt zu kontaktieren. Ihre Einblicke sind der Schlüssel zur Gestaltung der Zukunft unserer Vektordatenbanktechnologie. Lassen Sie uns zusammenarbeiten, um die effektivsten und nutzerzentriertesten Datenlösungen zu schaffen.
Weiterlesen
What Is a Vector Lakebase?
A Vector Lakebase is a unified, lake-native data architecture for AI that combines vector-database-grade serving with open lake storage, reusable lake-level indexes, and a shared semantic layer.
Introducing DeepSearcher: A Local Open Source Deep Research
In contrast to OpenAI’s Deep Research, this example ran locally, using only open-source models and tools like Milvus and LangChain.
Vector Databases vs. Hierarchical Databases
Use a vector database for AI-powered similarity search; use a hierarchical database for organizing data in parent-child relationships with efficient top-down access patterns.