Novedades en Milvus 2.3
Nos complace anunciar el lanzamiento de Milvus 2.3.0. Esta versión contiene muchas funciones nuevas y mejoras emocionantes. Esta publicación de blog destacará algunas de las funciones más destacadas. Para obtener una lista completa de cambios, asegúrate de consultar las notas de la versión.
📦 PyPI: https://pypi.org/project/milvus/
📚 Docs: https://milvus.io/docs
🛠️ Release Notes: https://milvus.io/docs/release_notes.md#v230
🐳 Docker Image: docker pull
🚀 Release: milvus-2.3.0
🖥️ Mejoras computacionales con GPU y ARM64:
Indexación por GPU mediante Nvidia: QPS ha mejorado más de tres veces en comparación con la indexación HNSW en CPU anterior. Para conjuntos de datos con uso intensivo de cómputo, hay un aumento de rendimiento de casi diez veces.
Imagen Docker ARM64: Las CPU ARM ofrecen un aumento de rendimiento del 20% y son un 20% más rentables.
🔎 Mejoras en búsqueda e indexación:
Búsqueda por rango: Un mecanismo de búsqueda más granular que permite la recuperación vectorial basada en distancias definidas desde un vector de entrada, lo que hace que las recuperaciones de datos basadas en proximidad sean más intuitivas.
Integración del índice ScaNN: En comparación con HNSW o IVFFlat, el índice ScaNN proporciona una mejora de rendimiento del 20% y es siete veces más rápido que IVFFlat.
Índice en crecimiento: A medida que los datos entran en streaming, Milvus 2.3 los indexa en tiempo real, lo que garantiza ejecuciones de consultas más rápidas.
🔀 Herramientas de canalización de datos:
Iterador en Pymilvus: Permite la exportación por lotes de grandes cantidades de vectores, especialmente beneficiosa al manejar datos de decenas de miles.
Operación Upsert: Actualización o inserción simultánea de datos en una sola solicitud, lo que simplifica la gestión de datos y mejora la eficiencia.
Soporte CDC: Facilita la sincronización de datos entre centros de datos, permite copias de seguridad incrementales y garantiza una migración de datos fluida.
También hemos mejorado la operatividad del sistema, el equilibrio de carga y el rendimiento de las consultas. Se han solucionado varios errores y hemos optimizado componentes principales como ‘QueryNode’. Nuestro sistema de cola de mensajes ha sido renovado para una mayor eficiencia. Además, herramientas como Birdwatcher y Attu han recibido actualizaciones para una mejor funcionalidad. Sumérgete en las notas de la versión de Milvus 2.3 para obtener una visión general completa.
Notas finales:
Muchas gracias a nuestra comunidad de desarrolladores. Tus contribuciones, PR y comentarios han dado forma a Milvus 2.3. Estamos deseando ver cómo integras estas actualizaciones y esperamos tus comentarios continuos. ¡Sigue programando! 🖥️🔧
Sigue leyendo
VDBBench Adds Cost-Aware Benchmarking for Vector Databases
Compare Zilliz Cloud, Pinecone, and turbopuffer with VDBBench cost-aware vector database benchmarks across latency, freshness, multitenancy, and cold starts.
What is the K-Nearest Neighbors (KNN) Algorithm in Machine Learning?
KNN is a supervised machine learning technique and algorithm for classification and regression. This post is the ultimate guide to KNN.
AI Integration in Video Surveillance Tools: Transforming the Industry with Vector Databases
Discover how AI and vector databases are revolutionizing video surveillance with real-time analysis, faster threat detection, and intelligent search capabilities for enhanced security.