Was ist neu in Milvus 2.3
Wir freuen uns sehr, die Veröffentlichung von Milvus 2.3.0 bekannt zu geben. Diese Version enthält viele spannende neue Funktionen und Verbesserungen. Dieser Blogbeitrag hebt einige der wichtigsten Funktionen hervor. Eine vollständige Liste der Änderungen finden Sie in den release notes.
📦 PyPI: https://pypi.org/project/milvus/
📚 Docs: https://milvus.io/docs
🛠️ Release Notes: https://milvus.io/docs/release_notes.md#v230
🐳 Docker Image: docker pull
🚀 Release: milvus-2.3.0
🖥️ Rechenleistungs-Upgrades mit GPU & ARM64:
GPU-Indexierung über Nvidia: QPS hat sich im Vergleich zur vorherigen CPU-HNSW-Indexierung um mehr als das Dreifache verbessert. Bei rechenintensiven Datensätzen gibt es eine Leistungssteigerung um nahezu das Zehnfache.
ARM64 Docker Image: ARM-CPUs liefern eine Leistungssteigerung von 20 % und sind dabei 20 % kosteneffizienter.
🔎 Verbesserungen bei Suche & Indexierung:
Range Search: Ein granularerer Suchmechanismus, der vector retrieval basierend auf definierten Abständen von einem Eingabevektor ermöglicht und damit nähebasierten Datenabruf intuitiver macht.
ScaNN-Index-Integration: Im Vergleich zu HNSW oder IVFFlat bietet der ScaNN-Index eine Leistungsverbesserung von 20 % und ist siebenmal schneller als IVFFlat.
Growing Index: Während Daten einströmen, indexiert Milvus 2.3 sie in Echtzeit und sorgt so für schnellere Abfrageausführungen.
🔀 Datenpipeline-Tools:
Iterator in Pymilvus: Ermöglicht den Batch-Export großer Mengen von Vektoren, besonders vorteilhaft beim Umgang mit Daten im Bereich von Zehntausenden.
Upsert-Operation: Gleichzeitige Aktualisierung oder Einfügung von Daten in einer einzigen Anfrage, wodurch das Datenmanagement optimiert und die Effizienz erhöht wird.
CDC-Unterstützung: Erleichtert die Datensynchronisierung über Rechenzentren hinweg, ermöglicht inkrementelle Backups und gewährleistet eine reibungslose Datenmigration.
Wir haben außerdem die Bedienbarkeit des Systems, das Load Balancing und die Abfrageleistung verbessert. Mehrere Fehler wurden behoben, und wir haben Kernkomponenten wie den ‘QueryNode’ optimiert. Unser Message-Queue-System wurde für eine bessere Effizienz überarbeitet. Darüber hinaus wurden Tools wie Birdwatcher und Attu aktualisiert, um eine bessere Funktionalität zu bieten. Werfen Sie einen Blick in die Milvus 2.3 release notes, um einen umfassenden Überblick zu erhalten.
Abschließende Hinweise:
Ein großes Dankeschön an unsere Entwickler-Community. Ihre Beiträge, PRs und Ihr Feedback haben Milvus 2.3 geprägt. Wir sind gespannt, wie Sie diese Updates integrieren, und freuen uns auf Ihr weiteres Feedback. Viel Spaß beim Coden! 🖥️🔧
Weiterlesen
Introducing Functions and Model Inference on Zilliz Cloud: Automatic Embedding and Reranking with Hosted Models
Zilliz Cloud Functions auto-generate embeddings via OpenAI, Voyage AI, Cohere, or Zilliz Hosted Models. Built-in reranking — just insert text and search.
Zilliz Cloud Enterprise Vector Search Powers High-Performance AI on AWS
Zilliz Cloud on AWS powers secure, scalable, ultra-fast vector search for enterprise AI apps, with BYOC, sub-10ms latency, and zero-DevOps simplicity.
Selecting the Right ETL Tools for Unstructured Data to Prepare for AI
Learn the right ETL tools for unstructured data to power AI. Explore key challenges, tool comparisons, and integrations with Milvus for vector search.