Novedades en Milvus 2.3.4
En la actualización más reciente, Milvus 2.3.4, nos complace presentar varias mejoras que aumentan la disponibilidad y la usabilidad de nuestra plataforma de base de datos vectorial. Pensando en los desarrolladores, esta versión se centra en optimizar la monitorización, la importación de datos y la eficiencia de búsqueda.
📦 PyPI: https://pypi.org/project/milvus/
📚 Docs: https://milvus.io/docs
🛠️ Notas de la versión: https://milvus.io/docs/release_notes.md#234
🐳 Imagen de Docker: docker pull
🚀 Versión: Milvus-2.3.4
Aspectos destacados clave
📓Registros de acceso - La incorporación de registros de acceso en Milvus 2.3.4 marca un avance en nuestras capacidades de monitorización. Esta función registra información detallada sobre las interacciones con interfaces externas, como nombres de métodos, solicitudes de usuarios, tiempos de respuesta y códigos de error. Es particularmente útil para desarrolladores y administradores de sistemas que necesitan información más profunda sobre el rendimiento del sistema y las interacciones de los usuarios. Estos registros son fundamentales para diagnosticar problemas, ajustar el rendimiento y aumentar la fiabilidad del sistema. Actualmente disponibles para interfaces gRPC, planeamos ampliar esta función en futuras actualizaciones.
🗂️Compatibilidad con archivos Parquet - Milvus 2.3.4 ahora admite importaciones de archivos Parquet, lo que mejora nuestras capacidades de gestión de datos. El formato de almacenamiento columnar eficiente de Parquet es ideal para operaciones de datos a gran escala, ya que a menudo ofrece una mejor compresión y un rendimiento de consulta mejorado en comparación con formatos basados en filas como JSON, especialmente con conjuntos de datos complejos y grandes. Su capacidad para manejar una amplia gama de tipos de datos, incluidas estructuras anidadas y complejas, proporciona a los desarrolladores una herramienta versátil para gestionar diversas fuentes de datos. Esta función está diseñada para brindar a los desarrolladores más opciones para una gestión de datos eficiente y eficaz en Milvus.
📖Índice Binlog en segmentos en crecimiento - Una característica destacada de Milvus 2.3.4 es la introducción de un índice Binlog en segmentos en crecimiento. Esta mejora aumenta la eficiencia de búsqueda, permitiendo el uso de técnicas avanzadas de indexación como IVF o Fast Scann en los segmentos en crecimiento de Milvus. Es especialmente valiosa cuando los conjuntos de datos se expanden rápidamente, garantizando que el rendimiento de búsqueda se mantenga al ritmo del crecimiento de los datos. Como resultado, las búsquedas dentro de segmentos en crecimiento son ahora 10 veces más rápidas, lo que mejora la experiencia del usuario y reduce la latencia.
⬆️Otras mejoras: Milvus 2.3.4 incluye una serie de mejoras en toda la plataforma en esta versión. Hemos ampliado el soporte para colecciones/particiones de 4096 a 10,000, atendiendo a entornos complejos y multiinquilino. Además, esta actualización aporta una mayor eficiencia de memoria, mensajes de error más claros, velocidades de carga de datos más rápidas y un mejor equilibrio de shards de consulta, lo que brinda una experiencia general más fluida y eficiente.
Animamos a los desarrolladores a visitar nuestras notas de la versión para obtener una visión general completa de todas las nuevas funciones y mejoras en Milvus 2.3.4.
Notas finales
Con Milvus 2.3.4, continúa nuestro camino en el avance de la tecnología de bases de datos vectoriales. Esta actualización trae mejoras cuidadosamente diseñadas para las necesidades cotidianas de los desarrolladores. Desde capacidades de búsqueda mejoradas hasta opciones robustas de importación de datos, estas herramientas están creadas para mejorar tu experiencia con Milvus 🛠️. Estamos deseando ver cómo estas mejoras incrementales facilitarán tus proyectos en bases de datos vectoriales. Sigamos innovando y ampliando los límites de lo posible 🚀🌐.
Sigue leyendo
Announcing the General Availability of Zilliz Cloud BYOC on Google Cloud Platform
Zilliz Cloud BYOC on GCP offers enterprise vector search with full data sovereignty and seamless integration.
Build for the Boom: Why AI Agent Startups Should Build Scalable Infrastructure Early
Explore strategies for developing AI agents that can handle rapid growth. Don't let inadequate systems undermine your success during critical breakthrough moments.
Vector Databases vs. Document Databases
Use a vector database for similarity search and AI-powered applications; use a document database for flexible schema and JSON-like data storage.