Wie Poizon KI-gestütztes Shopping mit Vektorsuche im Milliardenmaßstab mithilfe von Zilliz Cloud beschleunigt
Antwortzeiten unter 90 ms
für Vektorsuchen im Milliardenmaßstab
Niedrigere Gesamtkosten
als eine selbstverwaltete Einrichtung
3-Cluster-Komplexität eliminiert
für die Produktion
Innovationsorientiert
anstelle von Wartung
Über Poizon
Poizon ist eine der am schnellsten wachsenden Social-E-Commerce-Plattformen Asiens und hat sich von einem auf Sneaker fokussierten Marktplatz zu einer umfassenden Destination für Mode und Lifestyle entwickelt. Poizon bedient täglich Millionen von Nutzern und nutzt KI-gestützte Funktionen – darunter visuelle Suche, automatisierte Echtheitsprüfung, personalisierte Empfehlungen und Betrugsprävention –, um nahtlose und vertrauenswürdige Einkaufserlebnisse zu bieten.
Hinter den Kulissen verarbeitet Poizon riesige Mengen an visuellen und textuellen Daten, um Marktplatzoperationen, Produktauthentifizierung und Community-Funktionen zu ermöglichen. Eine sofortige und präzise Produktsuche ist zentral für seinen Wettbewerbsvorteil – wodurch eine leistungsstarke Vektorsuche zu einer kritischen Grundlage für Kundenzufriedenheit und Geschäftswachstum wird..
Die Herausforderung: Aufbau einer Infrastruktur für KI-Workloads im Milliardenmaßstab
Poizon setzt GenAI-Technologien in mehreren geschäftskritischen Szenarien ein:
Bildsuche – ermöglicht es Nutzern, ähnliche Produkte sofort über Bild-Uploads zu finden
KI-gestützte Authentifizierung – überprüft automatisch die Echtheit von Luxusgütern
Algorithmusoptimierung – stärkt Empfehlungs-Engines und Produktsuche
Sicherheits- und Risikokontrolle – verhindert Betrug und schützt die Plattform
Jede dieser Funktionen hängt von einer robusten Vektordatenbank-Infrastruktur ab. Die Führung von Poizon erkannte, dass die langfristige Wettbewerbsfähigkeit davon abhängen würde, schnelle, intelligente und vertrauenswürdige KI-gestützte Erlebnisse bereitzustellen. Um dieses Ziel zu erreichen, benötigte das Team eine Infrastruktur, die Vektoroperationen im Milliardenmaßstab bewältigen kann und gleichzeitig Antwortzeiten unter 90 ms einhält – Leistungsniveaus, die für die Nutzerbindung unerlässlich sind.
Eine hybride Vektordatenbank-Strategie für Leistung und Kosteneffizienz
Poizon testete verschiedene Optionen, darunter Milvus und Qdrant mit realen Daten, spielte typische Abfragen erneut ab und maß zwei Latenzziele: unter 90 ms für geschäftskritische Pfade und unter 500 ms für sehr große Datensätze. Außerdem verglichen sie Indexoptionen – HNSW als Standard, DiskANN für große/Low-QPS-Sets – sowie Kubernetes-Skalierung, Day-Two-Operations und Community-Support.
Milvus passte besser. Es entsprach dem Go-basierten Stack des Teams, skalierte sauber auf Kubernetes und verfügte über eine aktive inländische Community, die Fehlerbehebung und Wissensaustausch beschleunigte. Es arbeitete in Soak-Tests zuverlässig, und das Team konnte Tools bei Bedarf anpassen – zum Beispiel milvus-backup so modifizieren, dass problematische Segmente übersprungen werden. Milvus wurde zum Standard für Poizons Vektor-Workloads.
Als der Maßstab wuchs, prüfte Poizon erneut, wie sich ultraniedrige Latenz erreichen lässt. Benchmarks, Traffic-Shadowing und A/B-Tests zeigten eine klare Aufteilung: selbstverwaltetes Milvus mit DiskANN ist ideal für große Datensätze mit moderaten Latenzzielen, während das verwaltete Milvus (auch bekannt als Zilliz Cloud) die Marke von unter 90 ms im Milliardenmaßstab mit weniger Betriebsaufwand konstant erreicht.
In Poizons Umgebung führte das weitere Ausreizen selbstverwalteter Cluster zu abnehmenden Erträgen – die Latenz pendelte sich selbst nach der Skalierung auf 60 QueryNodes bei etwa ~200 ms ein, hauptsächlich aufgrund von QueryNode–Proxy-Interaktionen. Das Erreichen von unter 90 ms On-Prem hätte mindestens drei parallele Cluster und komplexe Multi-Read/Multi-Write-Logik erfordert – möglich, aber teuer und aufwendig im Betrieb.
Milvus erwies sich als die beste Lösung – passend zu Poizons Go-basiertem Stack, reibungslos skalierend auf Kubernetes und unterstützt von einer aktiven Community. Poizon entschied sich für einen hybriden Ansatz: Zilliz Cloud für latenzkritische Workloads (wie visuelle Suche und KI-Authentifizierung) und selbstverwaltetes Milvus für kosteneffiziente Szenarien mit stabiler Leistung unter 500 ms – wodurch sowohl Cloud-Scale-Geschwindigkeit als auch betriebliche Effizienz erzielt werden.
Die Ergebnisse: Schnellere Suche, schlankere Architektur, mehr Innovation
Die Einführung von Zilliz Cloud brachte sofortige, messbare Verbesserungen auf Poizons KI-gestützter Commerce-Plattform:
Leistung unter 90 ms – Zilliz Cloud erreichte durchweg die extrem niedrige Latenz, die für visuelle Suche und KI-Authentifizierung erforderlich ist – etwas, das selbstverwaltetes Milvus nicht liefern konnte, selbst nach der Skalierung auf 60 QueryNodes, wo die Leistung bei ~200 ms stagnierte.
Einfachere, kosteneffizientere Architektur – Durch den Wegfall eines komplexen Drei-Cluster-Setups und von Multi-Write-/Multi-Read-Logik vereinfachte Zilliz Cloud nicht nur den Betrieb, sondern senkte auch die Kosten. Der Managed Service übertraf das, was eine kostspielige selbstverwaltete Alternative hätte erreichen können.
Engineering-Fokus auf Innovation verlagert – Nachdem Infrastrukturengpässe beseitigt waren, wandte sich das Engineering-Team von Poizon von Datenbank-Tuning und -Wartung ab und konzentrierte sich stattdessen auf die Entwicklung KI-gestützter Funktionen, die ihren Wettbewerbsvorteil im E-Commerce stärken.
Ausblick: Exzellenz in der Datenpipeline aufbauen
Mit einer leistungsstarken Vektordatenbank-Grundlage konzentriert sich Poizon nun darauf, eine erstklassige Datenpipeline aufzubauen, um die nächste Stufe der KI-Innovation voranzutreiben.
Das Engineering-Team entwickelt automatisierte Migrations- und Ingestion-Tools, die es Business-Teams ermöglichen, sich auf datengetriebene Anwendungen zu konzentrieren, während DBAs Quantisierung und Ingestion im Hintergrund verwalten. Dies wird die Einführung neuer KI-Funktionen über Geschäftsbereiche hinweg beschleunigen, ohne die Belastung durch manuelle Vorbereitung.
Parallel dazu entwickelt Poizon – gemeinsam mit internen Teams und der Milvus-Community – Tools zur Validierung der Datenkonsistenz, um die Abstimmung zwischen Upstream-Systemen wie MySQL und ihren Vektordatenbanken sicherzustellen. Diese Maßnahmen werden die Datenintegrität über die gesamte KI-Pipeline hinweg schützen und die Grundlage für skalierbare, vertrauenswürdige KI-Innovation schaffen.
Fazit
Poizons Weg zeigt, wie die richtige Vektordatenbank-Strategie KI-Innovation im großen Maßstab ermöglichen kann. Durch die Kombination von Zilliz Cloud für leistungskritische Workloads mit selbstverwaltetem Milvus für kostenoptimierte Szenarien beseitigte das Unternehmen Infrastrukturengpässe und gab seinen Ingenieuren die Freiheit, sich auf die Bereitstellung differenzierter KI-Funktionen zu konzentrieren.
Für E-Commerce-Unternehmen, die KI-gestützte Erlebnisse anstreben, zeigt Poizons hybrider Ansatz, dass Infrastruktur nicht nur eine technische Entscheidung ist – sie ist ein Wettbewerbsvorteil. Wenn Leistung und Zuverlässigkeit gewährleistet sind, wird der Weg zu bahnbrechenden Nutzererlebnissen unausweichlich.
- Über Poizon
- Die Herausforderung: Aufbau einer Infrastruktur für KI-Workloads im Milliardenmaßstab
- Eine hybride Vektordatenbank-Strategie für Leistung und Kosteneffizienz
- Die Ergebnisse: Schnellere Suche, schlankere Architektur, mehr Innovation
- Ausblick: Exzellenz in der Datenpipeline aufbauen
- Fazit
Inhalte
Anwendungsfall
Branche
Elektronischer Geschäftsverkehr