Zilliz Cloud: Impulsando la búsqueda vectorial con velocidad de cohete
Recientemente lanzamos la versión más reciente de Zilliz Cloud, que presenta una variedad de funciones emocionantes, incluido un nuevo nivel gratuito, esquema dinámico y claves de partición, y planes de precios más asequibles para satisfacer diversas necesidades empresariales. También hemos mejorado significativamente el rendimiento, haciendo que Zilliz Cloud sea el doble de rápido que la versión anterior y de tres a diez veces más rápido que Milvus y otras bases de datos vectoriales.
Como ingeniero de software, estoy particularmente entusiasmado con la velocidad de Zilliz Cloud, similar a la de un cohete, para gestionar consultas. En esta publicación, mostraré lo rápido que es Zilliz Cloud y qué hace que Zilliz sea rapidísimo.
¿Qué tan rápido es Zilliz Cloud?
Antes de demostrar la velocidad de Zilliz Cloud, necesitamos establecer el contexto de nuestra comparación y las condiciones específicas que estamos evaluando.
VectorDBBench es una herramienta de benchmarking de código abierto que evalúa el rendimiento de diferentes bases de datos vectoriales en múltiples métricas, como QPS, capacidad, rendimiento y latencia, a través de una interfaz intuitiva y fácil de usar.
Usaré VectorDBBench para comparar Zilliz Cloud con Milvus, una base de datos de código abierto creada por Zilliz, y otras bases de datos vectoriales del mercado, incluidas Quadrant Cloud, Pinecone, WeaviateCloud y ElasticCloud.
Zilliz Cloud supera fácilmente a Milvus por 6 veces
La siguiente figura compara el rendimiento de Zilliz Cloud y Milvus en términos de QPS al gestionar un millón de datos de 768 dimensiones con diferentes configuraciones de recursos de cómputo y almacenamiento. Según los resultados, Zilliz Cloud es al menos tres veces más rápido que Milvus.
Zilliz Cloud vs. Milvus (conjunto de datos de 1M, 768 Dim)
Al recuperar 10 millones de datos de 768 dimensiones, Zilliz Cloud supera a Milvus por seis veces.
Zilliz Cloud vs. Milvus (conjunto de datos de 10M, 768 Dim)
Zilliz Cloud es al menos 4 veces más rápido que otras bases de datos vectoriales
Zilliz Cloud también es más rápido que otras bases de datos vectoriales. Según los resultados de benchmarking, Zilliz Cloud logra de 4 a 191 veces más QPS que sus competidores al recuperar un millón de datos de 768 dimensiones y ofrece planes de precios mucho más asequibles.
Zilliz Cloud vs. otras bases de datos vectoriales (conjunto de datos de 1M, 768 Dim)
Al realizar búsquedas de similitud en conjuntos de datos más grandes, Zilliz Cloud supera a servicios de bases de datos vectoriales como Pinecone y Quadrant Cloud por 3 veces en cuanto a QPS.
Zilliz Cloud vs. otras bases de datos vectoriales (conjunto de datos de 10M, 768 Dim)
Para ver más resultados, consulta nuestra página de benchmarking.
Por qué Zilliz Cloud es tan rápido
Ahora que has leído sobre la velocidad de Zilliz Cloud, es momento de descubrir qué lo hace tan rápido.
Zilliz Cloud tiene un motor robusto de indexación vectorial
Las bases de datos vectoriales dependen en gran medida de la potencia de cómputo, ya que sus algoritmos de indexación vectorial consumen la mayoría de los recursos y determinan principalmente el rendimiento.
Zilliz Cloud cuenta con un motor de indexación robusto con potentes capacidades de cómputo vectorial. Glass es la versión de código abierto y encabezó las clasificaciones en los resultados de pruebas recientes publicados por ANN-Benchmark. Esta conocida herramienta de benchmarking compara el rendimiento de diferentes algoritmos en varios conjuntos de datos reales.
Echemos un vistazo a dos ejemplos. Los siguientes diagramas muestran los resultados de benchmarking más recientes de ANN-Benchmark basados en dos conjuntos de datos diferentes:
gist-960-euclidean: un millón de vectores de 960 dimensiones utilizando la función de distancia euclidiana.fashion-mnist-784-euclidean: 60.000 vectores de 784 dimensiones utilizando la función de distancia euclidiana.
Cuanto más alto llegue la curva, más consultas podrán procesar los algoritmos por segundo. De manera similar, cuanto más se extienda la curva hacia la derecha, mayor recall podrán obtener los algoritmos.
Resultados de ANN Benchmark (conjunto de datos: gist-960-euclidean, k=10)
Resultados de ANN Benchmark (conjunto de datos: gist-960-euclidean, k=10)
Según los resultados mostrados en los diagramas, Glass (la curva rosa) se clasificó como el mejor rendimiento en términos tanto de consultas por segundo como de recall. El rendimiento excepcional de Glass ha contribuido significativamente a la capacidad de Zilliz Cloud para alcanzar velocidades ultrarrápidas.
Estructura de código optimizada
Además de la sólida capacidad de indexación de Glass, hemos optimizado la estructura de código de Zilliz Cloud. Esta optimización incluye limpiar rutas de consulta redundantes, mejorar la programación de fusiones de consultas y reglas de consultas concurrentes, optimizar la estructura de balanceo de carga y reemplazar/actualizar muchas bibliotecas de terceros ineficientes y obsoletas. Todos estos esfuerzos ayudan a Zilliz Cloud a maximizar las capacidades de su algoritmo de índice y reducir la sobrecarga.
También hemos abordado varios problemas que anteriormente obstaculizaban el rendimiento de consultas de Zilliz Cloud. Como resultado, las búsquedas filtradas por escalares y filtradas por vectores con conjuntos de datos a gran escala ahora son significativamente más rápidas.
AutoIndex de Zilliz Cloud para tasas de recall estables
La tasa de recall es un factor crítico para el rendimiento del sistema. Una tasa de recall inadecuada dará lugar a resultados de recuperación que no cumplen los requisitos de nuestro cliente. Sin embargo, una tasa de recall excesivamente alta puede comprometer significativamente el rendimiento. Por lo tanto, necesitamos una tasa de recall estable que equilibre rendimiento y precisión, garantizando resultados predecibles y un mejor soporte para diversos escenarios de producción.
Controlar la tasa de recall es esencial, pero también complicado, porque la tasa de recall puede verse afectada por diversos factores, incluidos el tamaño de los datos, los parámetros de indexación y consulta, la distribución de los datos e incluso el tamaño de los resultados topk. La mayoría de los sistemas de bases de datos utilizan una de las siguientes dos soluciones para abordar este problema:
- Permitir que los usuarios proporcionen parámetros: flexible pero difícil de adoptar.
- Proporcionar parámetros empíricos: fácil de usar pero menos flexible y no puede controlar con precisión situaciones con diferentes conjuntos de datos y requisitos de topk.
Zilliz Cloud ofrece una solución más sencilla y flexible llamada AutoIndex. Analiza casos de aplicación prácticos basados en modelos y personaliza parámetros para cada solicitud de indexación. Este enfoque garantiza una tasa de recall estable mientras ofrece un rendimiento excelente para satisfacer los requisitos de los usuarios en aplicaciones prácticas.
Resumen
La última actualización de Zilliz Cloud ha logrado mejoras históricas en funcionalidad y rendimiento. Ahora cuenta con una velocidad similar a la de un cohete para gestionar búsquedas vectoriales masivas, superando significativamente a otras bases de datos vectoriales.
Cómo empezar con Zilliz Cloud
- ¡Comienza gratis con el nuevo Starter Plan! ¡Un excelente plan para empezar sin complicaciones de instalación y que no requiere tarjeta de crédito!
- O inicia tu prueba gratuita de 30 días del plan Standard con créditos por valor de $100 al registrarte y la oportunidad de ganar hasta $200 en créditos en total.
- Profundiza en la documentación de Zilliz Cloud.
- Consulta la guía sobre migración de Milvus a Zilliz Cloud.
Sigue leyendo
Zilliz Cloud On-Demand Compute: Pay Only for What You Use
The customer case behind Zilliz Cloud On-Demand: how a $10K vector search bill came down to under $500, and the engineering changes that made it possible.
3 Easiest Ways to Use Claude Code on Your Mobile Phone
Run Claude Code from your phone with Remote Control, Happy Coder, or SSH + Tailscale. Comparison table, setup steps, and tools for typing, memory, and parallel tasks.
Milvus/Zilliz + Surveillance: How Vector Databases Transform Multi-Camera Tracking
See how Milvus vector database enhances multi-camera tracking with similarity-based matching for better surveillance in retail, warehouses and transport hubs.