Equilibrar precisión y rendimiento: cómo los nuevos parámetros de Zilliz Cloud te ayudan a optimizar la búsqueda vectorial
Introducción
Durante los últimos años, los modelos de lenguaje grandes (LLMs) y las bases de datos vectoriales se han convertido en la columna vertebral de innumerables aplicaciones impulsadas por IA, desde recomendaciones de comercio electrónico hasta reconocimiento facial y sistemas RAG. Sin embargo, estos diversos casos de uso presentan un desafío común: ¿cómo equilibrar la precisión de búsqueda (tasa de recall) con el rendimiento (latencia y throughput)?
Esta es precisamente la razón por la que nos entusiasma presentar dos nuevas y potentes funciones en la última versión de Zilliz Cloud, nuestra base de datos vectorial completamente gestionada construida sobre Milvus:
El parámetro
level- Un control simple pero potente para ajustar con precisión la exactitud de búsquedaEl parámetro
enable_recall_calculation- Una herramienta integrada para estimar y validar las tasas de recall
Estas incorporaciones permiten a los desarrolladores encontrar el equilibrio perfecto para sus casos de uso específicos, ya sea que necesiten recomendaciones ultrarrápidas o aplicaciones de seguridad de alta precisión. En este blog, te mostraremos exactamente cómo aprovechar estas funciones para optimizar tus implementaciones de búsqueda vectorial.
Diferentes casos de uso, diferentes requisitos
A medida que la búsqueda vectorial se extiende por las industrias, hemos observado que los requisitos de recall, latencia y consultas por segundo (QPS) varían drásticamente entre aplicaciones. Veamos dos ejemplos contrastantes:
Sistemas de recomendación: velocidad por encima de la precisión perfecta
Los sistemas de recomendación filtran vastas bibliotecas de contenido para sugerir elementos relevantes según las preferencias del usuario. En estos sistemas, la tasa de recall no es la máxima prioridad. Si bien las recomendaciones deben ser relevantes, introducir cierta variedad a menudo mejora el descubrimiento y la interacción del usuario.
En cambio, estos sistemas deben gestionar miles de solicitudes concurrentes en tiempo real, lo que requiere:
Alto QPS para atender a muchos usuarios simultáneamente
Latencia muy baja para experiencias de usuario receptivas
Recall moderado (85-95%) con tolerancia a algunas coincidencias imperfectas
El impacto empresarial de las recomendaciones lentas suele superar al de las sugerencias imperfectas ocasionales, lo que hace que la optimización del rendimiento sea crítica.
Reconocimiento facial: la precisión no es negociable
Los sistemas de reconocimiento facial, especialmente en contextos de seguridad, tienen requisitos completamente diferentes. Deben identificar con precisión a los usuarios autorizados para evitar tanto falsos positivos (brechas de seguridad) como falsos negativos (usuarios legítimos a los que se les niega el acceso).
Estos sistemas necesitan:
Recall muy alto (99%+) para una identificación precisa
Tolerancia a una latencia moderada (los usuarios aceptan una breve demora de verificación)
Menores demandas de QPS (la verificación es una tarea relativamente infrecuente)
Las consecuencias de una identificación errónea son significativas, lo que convierte la precisión en la prioridad no negociable incluso a costa de cierto rendimiento.
El hilo conductor: encontrar tu equilibrio
Estos ejemplos contrastantes resaltan por qué un enfoque único para la configuración de búsqueda vectorial se queda corto. Cada aplicación se sitúa en algún punto de este espectro, lo que requiere una optimización cuidadosa del recall, la latencia y el QPS en función de las necesidades del negocio.
Esta es precisamente la razón por la que hemos introducido los parámetros level y enable_recall_calculation: para brindar a los desarrolladores las herramientas necesarias para encontrar su equilibrio óptimo.
Presentamos las funciones de ajuste de precisión de Zilliz Cloud
El parámetro level: ajustar con precisión la exactitud de búsqueda
El parámetro level ofrece un control simple pero potente sobre la exactitud de búsqueda, con valores que van del 1 al 10:
| Valor de nivel | Ideal para | Recall típico | Impacto en el rendimiento |
|---|---|---|---|
| Más bajo (1-3) | Aplicaciones centradas en el rendimiento | 90-97% | Impacto mínimo en la latencia, QPS más alto |
| Medio (4-7) | Aplicaciones equilibradas | 97-99.5% | Impacto moderado en la latencia, buen QPS |
| Más alto (8-10) | Aplicaciones donde la precisión es crítica | 99.5%+ | Mayor latencia, QPS reducido |
Hemos ampliado el límite superior de 5 a 10 según los comentarios de los usuarios, lo que permite una precisión aún mayor para seguridad, control de riesgos y muchos otros escenarios que exigen alta precisión.
Ten en cuenta que una tasa de recall más alta no siempre es buena para tus casos de uso. Por ejemplo, si level=3 o 5 satisface las necesidades, aumentar aún más el nivel solo generaría un uso innecesario de recursos y una mayor latencia.
El parámetro enable_recall_calculation: Validar tu precisión
Aunque el parámetro level ajusta la precisión de búsqueda, ¿cómo verificas que estás alcanzando tu tasa de recall objetivo? Ahí es donde entra enable_recall_calculation.
Cuando se habilita durante una operación de búsqueda, este parámetro:
Estima la tasa de recall real de tu configuración actual
Devuelve este valor junto con tus resultados de búsqueda
Permite tomar decisiones basadas en datos sobre cambios de configuración
Este cálculo puntual te ayuda a validar si tu configuración actual cumple tus requisitos de precisión sin requerir herramientas externas de benchmarking.
Implementación práctica: Una guía paso a paso
Veamos un ejemplo real de optimización de una implementación de búsqueda vectorial con estas nuevas funciones.
Requisitos previos
Una instancia de Zilliz Cloud (regístrate aquí si aún no lo has hecho)
PyMilvus 2.5.4 o posterior
Tu conjunto de datos de prueba (usaremos el conjunto de datos cohere-1M en este ejemplo)
Paso 1: Define tus requisitos
Antes de profundizar en el ajuste de parámetros, define claramente tus requisitos:
Tasa de recall objetivo: 99.5%
Latencia máxima aceptable: 5ms
Otras consideraciones: QPS, uso de recursos
Patrón de consulta: Búsqueda vectorial pura
TopK: 16,000
Paso 2: Importa datos de prueba
Para realizar pruebas precisas, debes usar datos que se asemejen mucho a tu entorno de producción. En este ejemplo, usaremos el conjunto de datos cohere-1M y lo importaremos en Zilliz Cloud mediante VectorDBBench.
Paso 3: Estimar la tasa de recall de referencia
Primero comprobemos cómo se comporta la configuración predeterminada (level=1):
search_params = {
"params": {
"level": 1,
"enable_recall_calculation": True
}
}
res = client.search(
collection_name = "ZillizCloudVectorDBBench",
# datos de prueba
data = [
[0.22252834,0.26758388,0.3414864,0.31775144,0.25819996,-0.06176423,0.60313016,-0.31930527,-0.05070293,0.80085576,-0.7066278,-0.14704825,0.07324219,-0.051405758,0.24823247,0.20365287,-0.005265507,0.24754052,0.06302843,-0.24397966,-0.2805658,0.543768,0.018544307,0.14154078,0.03093845,-0.25058296,-0.61569184,0.08389459,-0.27519965,0.2121497,0.26527727,-0.03291658,-0.2631627,0.026973603,-0.22165383,0.38862047,0.012616088,-0.066382475,-0.013436819,-0.59001106,-0.08682751,0.13704056,0.08583454,0.0802483,0.01096984,0.20214474,0.11156094,0.5482859,-0.0807617,-0.16539982,-0.29261217,0.08269717,0.03385099,-0.48874223,-0.013168857,0.01616468,-0.6270225,0.13169415,1.0166928,0.6573267,0.40487188,0.2235163,-0.68331105,-0.24911362,-0.1763628,0.34692895,0.077760294,0.96388775,-0.10841275,0.3977706,0.08965021,0.29019687,0.106024966,0.11854912,-0.070255764,-0.24960922,-0.5354312,-0.70186704,0.25364435,0.43369204,0.42516047,0.15078346,-0.35151976,0.4886603,0.37026608,0.39485633,-0.046821307,0.18807457,0.13850202,-0.15630293,0.1469321,0.13219471,-0.31201053,0.22278261,-0.23063508,0.42379102,0.66762435,-0.11903275,0.22101034,-0.10102379,0.21675844,-0.2571628,-0.26546052,0.6185626,0.241754,-0.15792729,-0.37045696,0.23996626,-0.27011713,-0.11512929,0.31577003,0.11118326,-0.76019096,-0.1682175,0.5329204,0.3614348,-0.2348311,0.108711846,0.068240434,-1.3124024,0.20385003,0.6049856,-0.2924265,-0.07293733,0.5181119,0.15742214,0.7537572,-0.656809,0.57201636,0.09775318,0.5414663,-0.53804034,-0.0802571,0.62367904,0.023681821,0.6950041,0.3207407,0.36089638,0.53875273,-0.7288189,-0.12956187,0.15076943,0.057313107,0.41065657,-0.00928412,0.090415776,0.18091775,-0.010793066,-0.010142676,-0.20986095,-0.3740831,0.25086942,-0.31494206,0.17761512,0.04850758,-0.06098805,0.7605751,0.3038707,0.5178377,-0.5769507,0.80365956,0.22879237,-0.34868854,-0.2688102,-0.20910782,0.3392469,0.2990533,0.5502763,0.6561665,0.04177933,-0.45408615,-0.055697974,0.05596695,-0.22720425,0.63778013,-0.1921504,-0.16227654,-0.053658817,0.04536426,-0.28570235,0.30350783,0.5217574,0.0025516534,0.10135456,0.5973671,0.09276529,0.7803261,0.45648357,-0.21722879,-0.3496141,0.18574907,0.1729008,0.6754883,-0.5101994,0.16308193,-0.32053986,-0.0013728795,0.0371755,-0.114131995,0.19870742,0.3973309,0.17016156,0.016581284,0.3074155,0.32889378,-0.6682561,0.36933577,0.45571226,-0.19315217,-0.5065343,0.15996625,0.026897952,0.046443015,0.2667398,-0.18946062,-0.4283052,-0.44281873,-0.24062063,0.41703427,-0.30064407,0.35975343,0.31060407,0.18125875,0.14912511,0.10962614,-0.06901708,-0.2846222,-0.027887726,0.037055127,0.031954445,0.56672156,-0.0863331,0.1497875,-0.1635759,-0.25121027,0.6303942,0.17385906,0.4313834,0.15800661,-0.6267578,-0.03539913,0.32520285,0.42759246,0.24401832,0.2115575,-0.8652025,0.13317755,-0.5719402,0.17294376,-0.12595764,0.34818307,0.24802469,0.05904272,0.1538172,-0.57994705,0.2582915,0.45511153,-0.44164076,-0.074042775,0.04943926,-0.1648779,0.3280813,0.5601293,-0.0018850226,-0.140464,-0.07845455,0.44026145,0.56197315,0.1462102,-0.18595229,0.014953136,0.46956787,-0.14819877,0.1859354,0.019512085,-0.01712815,0.5366789,0.7835224,-0.7423546,0.6503855,0.44647282,0.3631722,-0.66614413,0.10151727,-0.1348695,0.32992417,0.10387001,-0.26746857,-0.33413792,-0.5662058,0.36110422,0.7741211,-0.039930806,-0.15249825,0.09454683,0.4891987,0.0062028184,0.06745152,0.55465925,-0.06739082,0.5588079,-0.43696547,0.555966,0.56702,0.056295626,-0.62005293,-0.3722073,0.21030217,-0.017268468,0.95288086,0.51696795,-0.25066343,-0.3169728,0.42543235,0.31396082,0.17551036,0.3922707,0.07407632,0.91187936,0.38888615,-0.12070266,0.011815081,-0.45720986,0.04727247,0.62094855,-0.45443076,0.16062841,-0.40287957,-0.55417335,-0.3830013,0.055438586,0.1718703,-0.6422826,0.22917171,-0.5290951,0.1585279,0.07934802,0.50577295,-0.035466444,0.088082545,0.5693788,0.11773129,0.1821725,0.41347143,-0.2278498,0.50422746,0.29794943,-0.9369089,0.47065943,0.28594327,-0.6866015,-0.63375616,-0.15243755,-0.46409172,-0.4630497,-0.25025153,0.6375835,0.54886156,0.19831929,-0.03725618,0.20592122,0.36338213,0.31409082,-0.05410012,0.14887711,0.09740482,0.05067692,0.14775206,0.28025475,-0.34377113,-0.27423778,-0.354568,-0.20043556,0.3899774,-0.19812085,-0.36292082,-0.18255037,0.07038237,0.642794,-0.060884897,0.2948623,0.68766963,0.6928454,-0.3849391,0.17996079,0.12549743,0.10299729,-0.25861496,-0.09246836,-0.32353002,-0.01378604,-0.095313616,-0.04558251,0.20014873,-0.4066689,-0.08052519,-0.4618455,0.37693843,0.45283204,-0.114583425,0.050728872,0.13196129,-0.1941961,-0.11727777,3.9586966,0.05150596,0.11701303,0.5739518,0.07567582,0.48247826,0.25156844,0.38180268,0.12796494,0.009531708,-0.04081167,-0.30954623,-0.035167653,0.43064785,0.24091315,-0.11113215,0.027972942,0.3501582,0.54151994,0.14281327,-0.6420307,0.48611403,0.5221564,0.47878447,0.8510151,0.5528693,0.27463847,0.7548287,0.760392,0.4057206,0.5247366,0.6815815,0.46189928,-0.0665814,0.29575244,-0.13240056,0.44400057,-0.26975283,-0.15510945,0.15475176,-0.46221858,0.054507546,0.14640503,0.66453534,0.19300742,-0.3626597,-0.16279799,0.3795997,0.122737944,-0.20419496,0.18285695,0.027228406,-0.22584598,-0.16478994,0.28747237,0.53937024,0.44095138,0.6340223,-0.41380823,0.38367343,0.39497304,-0.043954037,0.38885015,-0.33315817,-0.4766579,0.17371525,-0.23392603,0.7948543,0.3054392,-0.72041094,0.2532946,0.415873,0.80443436,-0.34634262,-0.4886025,0.30351955,-0.049782824,-0.47253707,-0.11401102,-0.096243046,0.19083612,-0.34427363,-0.24545296,0.5773733,0.16357873,0.38620606,0.39995435,-0.65907687,0.6957725,0.24120355,0.34054404,-0.039899644,0.80393964,0.06337182,0.14144897,0.117613785,-0.019442292,-3.7490542,-0.38971332,0.14894387,-0.61240107,0.19039957,0.23817067,0.022639165,0.015894404,-0.6198486,0.14320132,0.041371442,-0.30882874,-0.30676636,1.0463533,-0.034157425,0.31748047,0.4891939,0.5333419,-0.3289819,0.14962271,0.2807266,0.35519713,0.4001028,-0.18559772,-0.7066097,0.14664957,-0.565848,0.013109448,-0.18452193,-0.07372118,0.28156808,-0.36035228,0.8867393,-0.16306667,-0.04191513,0.4594507,0.43135175,-0.091903865,-0.042651527,-0.32555583,-0.19054003,-0.06525034,0.16911364,0.04686202,-0.038171988,0.1336097,0.3761719,-0.050084345,-0.2679286,0.64759475,0.7107872,0.2074471,-0.27312976,0.40090975,0.5491712,-0.10747743,0.74496686,0.18130445,-0.09431538,0.19524746,-0.21418755,-0.12488151,0.15227054,-0.3852693,-0.7784234,-0.14571632,0.041122317,-0.16407914,0.03949264,-0.1925929,0.32901394,0.12069722,0.23391949,-0.16763128,-0.12962814,0.5088096,0.21486548,-0.20993523,0.603585,0.24633685,-0.14029086,-0.27401388,-0.49189645,-0.10249644,2.3196032,-0.12417316,2.1448603,0.058190174,-0.6551869,0.6827868,0.6356786,0.7710372,0.3722568,0.8363127,0.3799041,0.26085538,-0.20764771,0.512162,0.08349497,-0.15835808,0.5738307,-0.66654295,0.18993358,0.32188657,0.0764867,0.64592606,-0.2310478,0.18350935,-0.3915338,0.028645294,-0.101273224,0.8696747,-0.50792813,-0.39119712,-0.30162883,0.7319297,0.71813834,0.39383802,-0.012138247,0.3298783,0.23386809,4.5470805,-0.049004212,0.107414484,0.052308656,0.2678271,-0.15366946,0.5438965,-0.47809094,-0.14649442,0.022792917,0.1358324,-0.4503206,0.57014287,-0.13368002,0.23805767,-0.22125027,-0.08700341,0.045676652,0.16678812,-0.27974084,0.45245427,-0.2107062,0.6667994,0.036875203,0.54632777,0.20104687,0.5349449,0.06913179,-0.086024776,0.76876926,0.16203642,5.155099,0.2797164,0.21450946,-0.17529553,-0.038863413,0.5156995,0.08603405,-0.516439,-0.35604522,0.10131945,0.008194211,0.084706515,-0.34049395,0.21572115,-0.83385843,-0.046860088,-0.48247585,0.023293016,0.22008015,-0.5305121,0.5061096,0.0183293,0.1326365,0.22057603,-0.43027383,-0.3885953,0.1500542,-0.1449458,-0.38747045,0.2789606,0.27069542,-0.37978157,-0.58541,0.5139468,-0.60586643,-0.5236463,0.22003366,0.15764758,0.3512009,0.13694952,0.7772281,0.28431293,0.113065295,0.14233269,-0.047996823,0.0024461043,0.06218189,-0.28065726,-0.2061346,-0.36278206,0.24291486,-0.0869041,0.7448049,0.36513415,0.61559093,0.42820337,0.41123256,-0.32082868,-0.10876272,-0.028618973,0.6750199,-0.048880983,-0.12521495,0.1926665,0.6695621,0.21937566,0.46856737,0.30544627,0.2650348,-0.11578811,-0.15696093,-0.047148716,0.19283816,0.12149068,-0.03274016,0.021503512,0.008024155,0.19709297,0.15727529,0.14134975,-0.16997191,-0.063695885,-0.39591065,-0.11891319,-0.04673462,0.16978487,-0.09345571,0.11924938,0.13301763,-0.2266567,0.4164705,0.3571622,0.09038913,0.18044233,0.09119875,-0.23754075,0.45051736,0.35435763,0.20957275,0.5704436,-0.36682,0.26963162,0.15532929,-0.24306794,0.17486432,0.39116114,0.12234816,0.21448524,-0.019066956,-0.09756305,0.4465544,0.3394048,-0.7088385,-0.5032021,0.03529406]
],
limit = 16000,
search_params = search_params
)
print(f"recall: {res.recalls}")
La salida es:
recall: [0.9886875152587891]
Con un recall del 98,87 %, estamos por debajo de nuestro objetivo del 99,5 %. Midamos también la latencia (opcional):
search_params = {
"params": {
"level": 1,
# "enable_recall_calculation": True
}
}
start_time = time.perf_counter()
client.search(collection_name = "ZillizCloudVectorDBBench",
data = data,
limit = limit,
search_params = search_params
)
end_time = time.perf_counter()
elapsed_time = end_time - start_time
print(f"latency at level=1: {elapsed_time:.2f} seconds")
Y la salida es:
latency at level=1: 0.03 seconds
Paso 4: Encuentra el valor de nivel óptimo
Ahora, probemos sistemáticamente diferentes valores de nivel para encontrar la configuración óptima:
recall at level=1: [0.9886875152587891]
latency at level=1: 0.03 seconds
...
recall at level=6: [0.9947500228881836]
latency at level=6: 0.04 seconds
recall at level=7: [0.9961249828338623]
latency at level=7: 0.04 seconds
...
recall at level=10: [1.0]
latency at level=10: 0.06 seconds
Los experimentos muestran que level=7 cumple nuestro objetivo de recall (99,61 % > 99,5 %) mientras mantiene la latencia dentro de límites aceptables.
Paso 5: Monitorear el rendimiento del sistema (opcional)
Zilliz Cloud ofrece un conjunto completo de métricas del sistema para ayudarte a monitorear el rendimiento de manera eficaz. Al ajustar el parámetro level y aplicar nuevas configuraciones, Zilliz Cloud proporciona seguimiento en tiempo real de métricas clave como QPS y latencia. Esto te permite evaluar el impacto de los ajustes de parámetros en el rendimiento general del sistema, lo que facilita una toma de decisiones más informada.
Paso 6: Validar con carga de trabajo de producción
Para la validación en producción, recomendamos:
Ejecutar pruebas con vectores de consulta representativos
Monitorear el panel de Zilliz Cloud para:
Latencia promedio
QPS
Utilización de recursos
Paso 7: Realizar benchmarking integral (opcional)
Para una evaluación más rigurosa, usamos VectorDBBench, una herramienta de benchmarking de código abierto, para probar varias configuraciones con 1.000 operaciones de búsqueda:
| level | Latencia prom.(ms) | QPS | Recall de VectorDBBench | Recall de Zilliz Cloud |
|---|---|---|---|---|
| 1 | 3.1 | 1266 | 0.9519 | 0.953 |
| 2 | 3.2 | 1080 | 0.9644 | 0.9669 |
| 3 | 3.4 | 972 | 0.9728 | 0.9755 |
| 4 | 3.6 | 814 | 0.9816 | 0.9846 |
| 5 | 3.9 | 704 | 0.9871 | 0.99 |
| 6 | 4.4 | 549 | 0.9916 | 0.995 |
| 7 | 5 | 448 | 0.9936 | 0.9971 |
| 8 | 5.4 | 375 | 0.9945 | 0.9983 |
| 9 | 5.9 | 340 | 0.9952 | 0.9991 |
| 10 | 6.3 | 296 | 0.9958 | 0.9995 |
Tabla 1: Resultados de prueba basados en 1.000 operaciones de búsqueda de VDBBench
Estos resultados de benchmarking confirman que:
enable_recall_calculationestima valores que coinciden estrechamente con el rendimiento real de recallUn mayor recall se logra a costa de una mayor latencia y un QPS reducido
Para nuestros requisitos objetivo,
level=7proporciona el equilibrio óptimo
Es importante señalar que las mejoras en recall generalmente se logran a costa de una mayor latencia y un QPS reducido. Si el recall actual satisface tus necesidades de negocio pero el QPS no es óptimo, puedes considerar escalar los recursos de CU o agregar réplicas para mejorar el rendimiento.
Paso 8: Confirmar la configuración óptima
Según los resultados experimentales, la configuración óptima en este ejemplo es level=7, que ofrece un recall del 99,6 % mientras mantiene una latencia aceptable.
Conclusión
Encontrar el equilibrio perfecto entre la precisión de búsqueda y el rendimiento ha sido durante mucho tiempo un desafío para los usuarios de bases de datos vectoriales. Con los nuevos parámetros level y enable_recall_calculation de Zilliz Cloud, los desarrolladores ahora cuentan con herramientas potentes para optimizar sus implementaciones de búsqueda vectorial según sus requisitos específicos.
Ya sea que estés creando sistemas de recomendación que priorizan la velocidad, aplicaciones de seguridad que exigen alta precisión o cualquier cosa intermedia, estas funciones te permiten:
Ajustar con precisión la exactitud de búsqueda para cumplir tus requisitos
Validar las tasas reales de recall con estimación integrada
Tomar decisiones basadas en datos sobre las compensaciones de configuración
Estamos comprometidos a seguir mejorando Zilliz Cloud con funciones que hacen que la búsqueda vectorial sea más potente, flexible y fácil de optimizar. Estos nuevos parámetros son solo el comienzo de nuestro viaje para empoderar a los desarrolladores a crear aplicaciones excepcionales impulsadas por IA.
¿Listo para empezar a optimizar tus búsquedas vectoriales? Regístrate en Zilliz Cloud hoy mismo o inicia sesión en tu cuenta existente para explorar estas nuevas funciones.
Ken ZhangKen Zhang is a Senior Product Manager at Zilliz, leading the development of the Milvus vector database by setting its strategic direction and key features. Prior to Zilliz, he served as a kernel engineer at SAP HANA and enhanced his product management skills at PingCAP. Ken holds a master's degree from Fudan University and has over eight years of experience specializing in database development and big data infrastructure management.
Chris GaoChris Gao is a senior software engineer at Zilliz, focusing on the vector search engine optimization in the Milvus vector database and Zilliz Cloud. Prior to Zilliz, he served as a software engineer at Bytedance and optimized the execution of Spark ETL jobs. Chris holds a master's degree from Shanghai Jiao Tong University.
Sigue leyendo
Our Journey to 35K+ GitHub Stars: The Real Story of Building Milvus from Scratch
Join us in celebrating Milvus, the vector database that hit 35.5K stars on GitHub. Discover our story and how we’re making AI solutions easier for developers.
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.
Milvus WebUI: A Visual Management Tool for Your Vector Database
Explore Milvus WebUI to monitor, manage, and optimize your vector database with real-time insights, performance tracking, and system health monitoring.