Was ist neu in Milvus 2.4.0?
Wir freuen uns, Milvus 2.4 vorzustellen, einen Meilenstein in unserem Bestreben, die Suchfunktionen für riesige Datensätze zu verbessern. Diese Version beschleunigt die Sucheffizienz und erweitert unseren Horizont hin zu einer einheitlichen Suchplattform, die vielfältige Suchanwendungsfälle mit beispielloser Geschwindigkeit und Präzision erfüllen kann. Unsere Bemühungen zur Unterstützung beschleunigter und einheitlicher Suche spiegeln unser Engagement wider, eine robuste, skalierbare Lösung für Vektordatenmanagement und -abfragen bereitzustellen.
📚 Dokumentation: https://milvus.io/docs
🛠️ Versionshinweise: https://milvus.io/docs/release_notes.md#240
🐳 Docker-Image: docker pull
🚀 Release: Milvus-2.4.0
Wichtigste Highlights
🚀 CAGRA Index Support — Milvus 2.4 führt Unterstützung für NVIDIAs CAGRA Index ein und setzt damit einen neuen Standard für GPU-beschleunigtes Graph-Indexing für Suchanwendungen, die extrem niedrige Latenz erfordern. CAGRA übertrifft den Branchenstandard HNSW Index und zeigt außergewöhnliche Effizienz und Geschwindigkeit, selbst bei kleinen Batch-Größen. Seine Vorteile werden bei größeren Batches noch deutlicher und erfüllen die Anforderungen von Umgebungen mit hohem Durchsatz. Zusätzlich integriert Milvus Brute-Force-Suchoptionen mit CAGRA für Anwendungsfälle, in denen das Erreichen des höchstmöglichen Recalls entscheidend ist. Entwickler können die Dokumentation erkunden, um die Funktionen des CAGRA GPU Index zu nutzen.
Milvus raft cagra vs milvus hnsw
🔍 Multi-vector Search — Die Ergänzung von Multi-vector Search in Milvus 2.4 verbessert die Entwicklung von KI-Anwendungen, indem sie die Verwaltung mehrerer Vektorsuchen und Reranking innerhalb ihres Frameworks ermöglicht. Dies vereinfacht die Handhabung multimodaler Suchen und verbessert den Recall beim Abrufen von Informationen. Die Möglichkeit, mehrere Vektoren für eine einzelne Entität innerhalb einer Collection zu speichern und abzufragen, erleichtert die Modellierung von Daten auf eine Weise, die für reale Anwendungen natürlich und effizient ist. Diese Funktion macht auch die Integration und Optimierung benutzerdefinierter rerankter Modelle unkompliziert und unterstützt die Entwicklung fortschrittlicher Suchfunktionen, wie z. B. präziser Empfehlungssysteme, die Erkenntnisse aus mehrdimensionalen Daten nutzen.
How the multi-vector search feature works
🧮 Grouping Search — Ein weiteres Highlight von Milvus 2.4 ist die Funktion Grouping Search, die die Effizienz bei Rechenressourcen und die Produktivität von Entwicklern für gruppierte Suchabfragen steigert. Diese Funktion adressiert die Herausforderungen bei der Abfrage großer Datensätze, wie Dokumente oder Videos, die in vektorisierte Chunks oder Frames segmentiert sind. Zuvor war die Aggregation von Suchergebnissen nach Attributen umständlich und erforderte umfangreiche Rechenressourcen sowie komplexe Coding-Workarounds. Jetzt ermöglicht Grouping Search eine unkomplizierte Aggregation, sodass Benutzer Top-Ergebnisse direkt nach den gruppierten Feldern abrufen können.
Example- search books contain "harry potter"
🔮 Unterstützung für Sparse Vectors (Beta) — Mit großer Spannung ist die Beta-Unterstützung für Sparse-Vector-Embeddings in Milvus 2.4 verfügbar und ermöglicht effiziente, semantisch reichhaltige ANN-Suchen. Diese Funktion ist für Embeddings aus neuronalen Modellen wie SPLADEv2 und statistischen Modellen wie BM25 konzipiert und erweitert die Suchfunktionen über traditionelle Keyword-Suchen hinaus, indem sie sich auf semantische Ähnlichkeit konzentriert. Diese Beta-Phase, deren allgemeine Verfügbarkeit für später geplant ist, zielt darauf ab, Leistung und Integration innerhalb des Milvus-Ökosystems zu optimieren. Sie eröffnet neue Möglichkeiten für die hybride Suche – die Zusammenführung von Keyword- und Embedding-Strategien –, um die Genauigkeit der Textsuche erheblich zu steigern. Ideal für Nutzer, die von keywordbasierten Systemen wechseln und eine verbesserte Suchgenauigkeit ohne tiefgehende Anpassung suchen, bewegt die Unterstützung für Sparse Vectors Milvus hin zu differenzierteren, hybriden Textsuchmethoden.
⬆️ Weitere wichtige Verbesserungen — Milvus 2.4 bringt viele weitere neue Funktionen und Verbesserungen, darunter Unterstützung für reguläre Ausdrücke für ein verbessertes Teilstring-Matching bei der Metadatenfilterung, einen neuen invertierten Skalarindex für eine effizientere Filterung skalarer Datentypen (dank Tantivy) sowie ein Change-Data-Capture-Tool zur Überwachung und Replikation von Änderungen in Milvus-Collections. Zusammen steigern diese Updates die Leistung und Vielseitigkeit von Milvus für komplexe Datenoperationen erheblich.
Erste Schritte
Möchten Sie Milvus 2.4.0 erkunden? Beginnen Sie mit den Release Notes für einen Überblick über die neuen Funktionen und Verbesserungen. Nehmen Sie an unserem kommenden Webinar teil mit James Luan, Zilliz’s VP of Engineering, für eine ausführliche Diskussion über die Fähigkeiten von Milvus 2.4.0. Bereit, die Änderungen aus erster Hand zu erleben? Laden Sie Milvus 2.4.0 herunter und beginnen Sie, diese Verbesserungen in Ihre Projekte zu integrieren.
Weiterlesen
Why AI Databases Don't Need SQL
Whether you like it or not, here's the truth: SQL is destined for decline in the era of AI.
Bringing AI to Legal Tech: The Role of Vector Databases in Enhancing LLM Guardrails
Discover how vector databases enhance AI reliability in legal tech, ensuring accurate, compliant, and trustworthy AI-powered legal solutions.
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.