Compatibilidad de Milvus con múltiples tipos de índice
Milvus es una base de datos vectorial de código abierto con funciones de vanguardia para la búsqueda por similitud y aplicaciones de IA. Una de las funciones esenciales de Milvus es el soporte para varios tipos de índices; los índices ayudan a optimizar las consultas y la recuperación de datos.
Tipos de índices
Actualmente, Milvus admite ocho tipos de índices:
- FLAT: FLAT es más adecuado para escenarios que buscan resultados de búsqueda perfectamente precisos y exactos (tasa de recuperación del 100%) en un conjunto de datos pequeño, de escala de millones. FLAT no comprime vectores y es el único índice que garantiza resultados de búsqueda exactos. Los resultados de FLAT pueden ser un punto de comparación para los resultados producidos por otros índices con una recuperación inferior al 100%.
- IVF_FLAT: IVF_FLAT es un índice basado en cuantización más adecuado para escenarios que buscan un equilibrio ideal entre precisión y velocidad de consulta (datos de baja dimensionalidad con menos de 100.000 entradas). IVF_FLAT es un sistema que divide los datos vectoriales en clústeres y devuelve resultados de búsqueda por similitud basados en comparaciones entre la entrada objetivo y los vectores en el/los clúster(es) más similar(es). IVS_FLAT reduce drásticamente el tiempo de consulta al considerar el número de clústeres consultados. Tenga en cuenta que IVF_FLAT no realiza ninguna compresión, por lo que los archivos de índice que produce tienen aproximadamente el mismo tamaño que los datos vectoriales originales, en bruto y sin indexar.
- IV_SQ8: IVF_SQ8 es un índice basado en cuantización y es más adecuado para escenarios que buscan una reducción significativa en el consumo de memoria de disco, CPU y GPU en situaciones en las que estos recursos son limitados. IV_SQ8 puede lograr esto convirtiendo cada FLOAT (4 bytes) a UINT8 (1 byte) mediante cuantización escalar. El índice IV_SQ8 es adecuado para escenarios de datos de baja dimensionalidad con menos de 100.000 entradas.
- HNSW Index: Hierarchical Navigable Small World (HNSW) es un índice basado en grafos más adecuado para escenarios con una alta demanda de eficiencia de búsqueda. Este índice crea una estructura similar a un árbol para indexar los vectores. Por lo tanto, es útil cuando el conjunto de datos es enorme (conjunto de datos grande con muchas dimensiones) y requiere una búsqueda rápida. Construye una estructura de navegación multicapa para una imagen según ciertas reglas. En esta estructura, las capas superiores son más dispersas y las distancias entre nodos son mayores; las capas inferiores son más densas y las distancias entre nodos son más cortas. La búsqueda comienza desde la capa superior, encuentra el nodo más cercano al objetivo en esta capa y luego entra en la siguiente capa para comenzar otra búsqueda. Tras múltiples iteraciones, puede acercarse rápidamente a la posición objetivo.
- IVF_PQ: IVF_PQ es un índice basado en cuantización más adecuado para escenarios que buscan una alta velocidad de consulta de datos de alta dimensionalidad incluso a costa de la precisión. Descompone uniformemente el espacio vectorial de alta dimensionalidad en productos cartesianos de espacios vectoriales de baja dimensionalidad, y luego cuantiza los espacios vectoriales de baja dimensionalidad. La cuantización de producto calcula las distancias entre el vector objetivo y el centro de agrupamiento de cada espacio de baja dimensionalidad, reduciendo la complejidad temporal y espacial. El archivo de índice IVF_PQ es más pequeño (y menos preciso) que IVF_SQ8.
- ANNOY: ANNOY es un índice basado en árboles más adecuado para escenarios que buscan una alta tasa de recuperación. Es práctico para conjuntos de datos (menos de 1 millón de entradas) con altas dimensiones (y al buscar vectores similares).
- BIN_FLAT: Este índice es adecuado para datos de baja dimensionalidad con menos de 100.000 entradas. Este índice es igual que FLAT, excepto que BIN_FLAT se utiliza para incrustaciones binarias.
- BIN_IVF_FLAT: Este índice es adecuado para conjuntos de datos de alta dimensionalidad con menos de 10 millones de entradas al buscar vectores similares. Este índice es igual que FLAT, excepto que BIN_IVF_FLAT se utiliza para incrustaciones binarias.
En conclusión
Milvus admite varios tipos de índice que ayudan a optimizar la consulta y recuperación de datos para diferentes casos de uso. Elegir el tipo de índice adecuado puede mejorar significativamente el rendimiento de búsqueda de tu aplicación.
Si aún estás determinando qué tipo de índice usar para tu caso de uso específico, se recomienda probar diferentes índices y comparar su rendimiento. Milvus puede proporcionar un rendimiento de búsqueda ultrarrápido para tus aplicaciones de IA con el tipo de índice y la configuración adecuados.
Próximos pasos
- Descarga Milvus y comienza
- Lee más sobre los tipos de índice de Milvus
- Consulta los benchmarks de Milvus en este documento
Sigue leyendo
Introducing Zilliz Cloud Global Cluster: Region-Level Resilience for Mission-Critical AI
Zilliz Cloud Global Cluster delivers multi-region resilience, automatic failover, and fast global AI search with built-in security and compliance.
Why Context Engineering Is Becoming the Full Stack of AI Agents
Discover how context engineering unifies prompts, RAG, and tools to build smarter, production-ready AI agents powered by Milvus.
Data Deduplication at Trillion Scale: How to Solve the Biggest Bottleneck of LLM Training
Explore how MinHash LSH and Milvus handle data deduplication at the trillion-scale level, solving key bottlenecks in LLM training for improved AI model performance.