Milvus 2.3 Beta y actualizaciones Enterprise en Zilliz Cloud
Zilliz Cloud ahora ofrece la versión beta de Milvus 2.3, lo que marca una actualización significativa en la tecnología de bases de datos vectoriales. Esta versión introduce características destinadas a mejorar los procesos de gestión y consulta de datos para desarrolladores. Además, Zilliz Cloud está introduciendo nuevas características enfocadas en empresas, lo que refleja un compromiso con el soporte de soluciones de datos escalables y robustas en entornos profesionales.
Aspectos destacados de las características disponibles de Milvus 2.3
Milvus 2.3, disponible en beta en Zilliz Cloud, introduce varias características clave que revolucionan las interacciones con las bases de datos vectoriales.
La integración de la similitud de coseno en Milvus 2.3 aporta capacidades avanzadas a los cálculos de similitud, eliminando la necesidad de normalización previa de vectores y optimizando los procesos de búsqueda. La nueva característica Range Search amplía el alcance de las consultas vectoriales, ofreciendo métodos de recuperación de datos más precisos y diversos, lo que resulta especialmente beneficioso para los motores de recomendación. La funcionalidad Upsert, una incorporación significativa, optimiza la gestión de datos. Mejora la eficiencia en la actualización y manipulación de conjuntos de datos, un beneficio fundamental en entornos dinámicos donde la coherencia y la atomicidad de los datos son primordiales.
Consulta la documentación para obtener más detalles sobre características adicionales como devoluciones de vectores sin procesar, el filtro JSON_CONTAINS, el recuento de entidades y más.
Características empresariales mejoradas
En paralelo con estos avances de búsqueda vectorial nativa de IA, Zilliz Cloud ha introducido mejoras significativas en las características empresariales. El sistema mejorado de control de acceso basado en roles (RBAC) ahora incluye nuevos roles de miembros de proyecto, lo que permite un control de acceso más personalizado y mejora la seguridad a nivel de proyecto. La disponibilidad general de la región AWS EU Frankfurt amplía las opciones geográficas, atendiendo a diversas necesidades técnicas y regulatorias. Además, la introducción de la característica de eliminación de cuenta y organización de autoservicio otorga a los usuarios más control y flexibilidad en la gestión de cuentas. Estas mejoras y otras mejoras en estabilidad y experiencia de usuario subrayan la adaptabilidad y potencia de Zilliz Cloud para satisfacer diversos requisitos empresariales.
Disponibilidad de Zilliz Cloud en Azure
Zilliz Cloud ya está disponible en Microsoft Azure, con su debut en la región azure-east-us. Esta expansión ofrece a los desarrolladores y empresas de Azure una nueva opción para gestionar cargas de trabajo de bases de datos vectoriales. Este avance también marca la finalización de la disponibilidad de Zilliz Cloud en las principales plataformas en la nube, incluidas AWS y Google Cloud.
Nuestra dedicación a Azure va más allá de este logro, con próximas mejoras, como la expansión a nuevas regiones de Azure, que ofrecerán mayor flexibilidad para implementar Zilliz Cloud según tus necesidades. Además, Zilliz Cloud pronto estará disponible en Azure Marketplace, optimizando los procesos de gestión y pago.
Conclusión
Tus comentarios son cruciales para la evolución de Milvus y Zilliz Cloud. Invitamos a nuestra comunidad de desarrolladores a compartir sus opiniones y solicitudes de características a través de nuestro canal de Discord o contactándonos directamente. Tus aportes son clave para dar forma al futuro de nuestra tecnología de bases de datos vectoriales. Colaboremos para crear las soluciones de datos más eficaces y centradas en el usuario.
Sigue leyendo
Zilliz Cloud Just Landed in Claude Code
The Zilliz Cloud Plugin brings the full power of Zilliz Cloud directly into your Claude Code terminal as natural-language conversations.
Top 10 Context Engineering Techniques You Should Know for Production RAG
A practical guide to context engineering for production LLM systems, covering RAG, context processing, memory, agents, and multimodal context.
3 Key Patterns to Building Multimodal RAG: A Comprehensive Guide
These multimodal RAG patterns include grounding all modalities into a primary modality, embedding them into a unified vector space, or employing hybrid retrieval with raw data access.