Cómo Poizon acelera las compras impulsadas por IA con búsqueda vectorial a escala de miles de millones usando Zilliz Cloud
Tiempos de respuesta inferiores a 90 ms
para búsquedas vectoriales a escala de miles de millones
Menor costo total
que una configuración autogestionada
Complejidad de 3 clústeres eliminada
para producción
Centrado en la innovación
en lugar de mantenimiento
Acerca de Poizon
Poizon es una de las plataformas de comercio electrónico social de más rápido crecimiento de Asia, que ha evolucionado desde un marketplace centrado en zapatillas deportivas hasta convertirse en un destino integral de moda y estilo de vida. Al atender a millones de usuarios a diario, Poizon aprovecha capacidades impulsadas por IA —incluida la búsqueda visual, la verificación automatizada de autenticidad, las recomendaciones personalizadas y la prevención del fraude— para ofrecer experiencias de compra fluidas y confiables.
Tras bambalinas, Poizon procesa volúmenes masivos de datos visuales y textuales para impulsar las operaciones del marketplace, la autenticación de productos y las funciones comunitarias. Ofrecer un descubrimiento de productos instantáneo y preciso es fundamental para su ventaja competitiva, lo que convierte a la búsqueda vectorial de alto rendimiento en una base crítica para la satisfacción del cliente y el crecimiento del negocio..
El desafío: construir infraestructura para cargas de trabajo de IA a escala de miles de millones
Poizon depende de tecnologías GenAI en múltiples escenarios críticos para la misión:
Búsqueda de imágenes – permite a los usuarios encontrar instantáneamente productos similares mediante la carga de imágenes
Autenticación impulsada por IA – verifica automáticamente la autenticidad de productos de lujo
Optimización de algoritmos – fortalece los motores de recomendación y el descubrimiento de productos
Seguridad y control de riesgos – previene el fraude y protege la plataforma
Cada una de estas capacidades depende de una infraestructura robusta de base de datos vectorial. El liderazgo de Poizon reconoció que su competitividad a largo plazo dependería de ofrecer experiencias impulsadas por IA rápidas, inteligentes y confiables. Para lograr este objetivo, el equipo necesitaba una infraestructura capaz de gestionar operaciones vectoriales a escala de miles de millones, manteniendo al mismo tiempo tiempos de respuesta inferiores a 90 ms, niveles de rendimiento esenciales para la participación de los usuarios.
Una estrategia híbrida de base de datos vectorial para rendimiento y eficiencia de costos
Poizon probó varias opciones, incluidos Milvus y Qdrant con datos reales, reproduciendo consultas típicas y midiendo dos objetivos de latencia: menos de 90 ms para rutas críticas para la misión y menos de 500 ms para conjuntos de datos muy grandes. También compararon opciones de índice —HNSW como predeterminado, DiskANN para conjuntos grandes/de bajo QPS— además del escalado en Kubernetes, las operaciones del segundo día y el soporte de la comunidad.
Milvus fue la opción que mejor encajó. Coincidía con el stack basado en Go del equipo, escalaba de forma limpia en Kubernetes y contaba con una comunidad nacional activa que aceleró la resolución de problemas y el intercambio de conocimientos. Funcionó de manera fiable en pruebas de resistencia, y el equipo pudo adaptar herramientas cuando fue necesario; por ejemplo, ajustando milvus-backup para omitir segmentos problemáticos. Milvus se convirtió en el estándar en todas las cargas de trabajo vectoriales de Poizon.
A medida que crecía la escala, Poizon reconsideró cómo alcanzar una latencia ultrabaja. Los benchmarks, el traffic shadowing y las pruebas A/B mostraron una división clara: Milvus autogestionado con DiskANN es ideal para grandes conjuntos de datos con objetivos de latencia moderados, mientras que Milvus gestionado (también conocido como Zilliz Cloud) cumple de forma constante el umbral de menos de 90 ms a escala de miles de millones con menor esfuerzo operativo.
En el entorno de Poizon, llevar más lejos los clústeres autogestionados generó rendimientos decrecientes: la latencia se estabilizó alrededor de ~200 ms incluso después de escalar a 60 QueryNodes, en gran medida debido a las interacciones QueryNode–Proxy. Lograr menos de 90 ms on-prem habría requerido al menos tres clústeres paralelos y una lógica compleja de multi-read/multi-write: posible, pero costosa y pesada de operar.
Milvus demostró ser la mejor opción: coincidía con el stack basado en Go de Poizon, escalaba sin problemas en Kubernetes y contaba con el respaldo de una comunidad activa. Poizon adoptó un enfoque híbrido: Zilliz Cloud para cargas de trabajo críticas en latencia (como la búsqueda visual y la autenticación con IA) y Milvus autogestionado para escenarios rentables con un rendimiento estable por debajo de 500 ms, ofreciendo tanto velocidad a escala de nube como eficiencia operativa.
Los resultados: búsqueda más rápida, arquitectura más ligera, mayor innovación
La adopción de Zilliz Cloud aportó mejoras inmediatas y medibles en toda la plataforma de comercio impulsada por IA de Poizon:
Rendimiento inferior a 90 ms – Zilliz Cloud logró de forma constante la latencia ultrabaja requerida para la búsqueda visual y la autenticación con IA, algo que Milvus autogestionado no podía ofrecer, incluso después de escalar a 60 QueryNodes, donde el rendimiento se estancó en ~200 ms.
Arquitectura más simple y rentable – Al eliminar la necesidad de una configuración compleja de tres clústeres y lógica de múltiples escrituras/múltiples lecturas, Zilliz Cloud no solo simplificó las operaciones, sino que también redujo los costos. El servicio gestionado superó lo que una alternativa autogestionada y costosa habría podido lograr.
Enfoque de ingeniería redirigido hacia la innovación – Con los cuellos de botella de infraestructura resueltos, el equipo de ingeniería de Poizon dejó de centrarse en el ajuste y mantenimiento de bases de datos, y en su lugar se enfocó en crear las funcionalidades impulsadas por IA que fortalecen su ventaja competitiva en el comercio electrónico.
Mirando hacia el futuro: construir la excelencia en canalizaciones de datos
Con una base de datos vectorial de alto rendimiento ya implementada, Poizon ahora se centra en construir una canalización de datos de primera categoría para impulsar la próxima etapa de innovación en IA.
El equipo de ingeniería está creando herramientas automatizadas de migración e ingesta que permitirán a los equipos de negocio centrarse en aplicaciones basadas en datos mientras los DBA gestionan la cuantización y la ingesta entre bastidores. Esto acelerará el lanzamiento de nuevas funcionalidades de IA en todas las unidades de negocio sin la carga de la preparación manual.
En paralelo, Poizon está desarrollando herramientas de validación de consistencia de datos —junto con equipos internos y la comunidad de Milvus— para garantizar la alineación entre sistemas ascendentes como MySQL y sus bases de datos vectoriales. Estos esfuerzos protegerán la integridad de los datos en toda la canalización de IA, sentando las bases para una innovación en IA escalable y confiable.
Conclusión
El recorrido de Poizon ilustra cómo la estrategia adecuada de base de datos vectorial puede desbloquear la innovación en IA a escala. Al combinar Zilliz Cloud para cargas de trabajo críticas en rendimiento con Milvus autogestionado para escenarios optimizados en costos, la empresa eliminó los cuellos de botella de infraestructura y liberó a sus ingenieros para centrarse en ofrecer funcionalidades de IA diferenciadas.
Para las empresas de comercio electrónico que buscan experiencias impulsadas por IA, el enfoque híbrido de Poizon demuestra que la infraestructura no es solo una elección técnica: es una ventaja competitiva. Con el rendimiento y la fiabilidad asegurados, el camino hacia experiencias de usuario revolucionarias se vuelve inevitable.
- Acerca de Poizon
- El desafío: construir infraestructura para cargas de trabajo de IA a escala de miles de millones
- Una estrategia híbrida de base de datos vectorial para rendimiento y eficiencia de costos
- Los resultados: búsqueda más rápida, arquitectura más ligera, mayor innovación
- Mirando hacia el futuro: construir la excelencia en canalizaciones de datos
- Conclusión
Contenido
Caso de uso
Industria
Comercio electrónico