Prise en charge par Milvus de plusieurs types d’index
Milvus est une base de données vectorielle open-source dotée de fonctionnalités de pointe pour la recherche de similarité et les applications d’IA. L’une des fonctionnalités essentielles de Milvus est la prise en charge de différents types d’index ; les index aident à optimiser l’interrogation et la récupération des données.
Types d’index
Actuellement, Milvus prend en charge huit types d’index :
- FLAT : FLAT convient le mieux aux scénarios qui recherchent des résultats de recherche parfaitement précis et exacts (taux de rappel de 100 %) sur un petit jeu de données à l’échelle du million. FLAT ne compresse pas les vecteurs et est le seul index garantissant des résultats de recherche exacts. Les résultats de FLAT peuvent servir de point de comparaison pour les résultats produits par d’autres index avec un rappel inférieur à 100 %.
- IVF_FLAT : IVF_FLAT est un index basé sur la quantification qui convient le mieux aux scénarios recherchant un équilibre idéal entre précision et vitesse de requête (données de faible dimension avec moins de 100 000 entrées). IVF_FLAT est un système qui divise les données vectorielles en clusters et renvoie des résultats de recherche de similarité basés sur des comparaisons entre l’entrée cible et les vecteurs du ou des clusters les plus similaires. IVS_FLAT réduit considérablement le temps de requête lorsque l’on considère le nombre de clusters interrogés. Veuillez noter qu’IVF_FLAT n’effectue aucune compression, de sorte que les fichiers d’index qu’il produit ont à peu près la même taille que les données vectorielles originales, brutes et non indexées.
- IV_SQ8 : IVF_SQ8 est un index basé sur la quantification et convient le mieux aux scénarios qui recherchent une réduction significative de la consommation de mémoire disque, CPU et GPU dans les situations où ces ressources sont limitées. IV_SQ8 peut y parvenir en convertissant chaque FLOAT (4 octets) en UINT8 (1 octet) en effectuant une quantification scalaire. L’index IV_SQ8 convient aux scénarios de données de faible dimension avec moins de 100 000 entrées.
- HNSW Index : Hierarchical Navigable Small World (HNSW) est un index basé sur un graphe qui convient le mieux aux scénarios ayant une forte exigence d’efficacité de recherche. Cet index crée une structure de type arbre pour indexer les vecteurs. Il est donc utile lorsque le jeu de données est énorme (grand jeu de données avec de nombreuses dimensions) et nécessite une recherche rapide. Il construit une structure de navigation multicouche pour une image selon certaines règles. Dans cette structure, les couches supérieures sont plus clairsemées et les distances entre les nœuds sont plus grandes ; les couches inférieures sont plus denses et les distances entre les nœuds sont plus courtes. La recherche commence à partir de la couche la plus élevée, trouve le nœud le plus proche de la cible dans cette couche, puis entre dans la couche suivante pour commencer une autre recherche. Après plusieurs itérations, elle peut rapidement approcher la position cible.
- IVF_PQ : IVF_PQ est un index basé sur la quantification qui convient le mieux aux scénarios recherchant une vitesse de requête élevée sur des données de grande dimension, même au détriment de la précision. Il décompose uniformément l’espace vectoriel de grande dimension en produits cartésiens d’espaces vectoriels de faible dimension, puis quantifie les espaces vectoriels de faible dimension. La quantification de produit calcule les distances entre le vecteur cible et le centre de clustering de chaque espace de faible dimension, réduisant ainsi la complexité en temps et en espace. Le fichier d’index IVF_PQ est plus petit (et moins précis) que IVF_SQ8.
- ANNOY : ANNOY est un index basé sur un arbre qui convient le mieux aux scénarios recherchant un taux de rappel élevé. Il est pratique pour les jeux de données (moins de 1 million d’entrées) avec de grandes dimensions (et lors de la recherche de vecteurs similaires).
- BIN_FLAT : Cet index convient aux données de faible dimension avec moins de 100 000 entrées. Cet index est identique à FLAT, sauf que BIN_FLAT est utilisé pour les embeddings binaires.
- BIN_IVF_FLAT : Cet index convient aux jeux de données de grande dimension avec moins de 10 millions d’entrées lors de la recherche de vecteurs similaires. Cet index est identique à FLAT, sauf que BIN_IVF_FLAT est utilisé pour les embeddings binaires.
En conclusion
Milvus prend en charge différents types d’Index qui aident à optimiser l’interrogation et la récupération des données pour différents cas d’utilisation. Choisir le bon type d’Index peut améliorer considérablement les performances de recherche de votre application.
Si vous êtes encore en train de déterminer quel type d’Index utiliser pour votre cas d’utilisation spécifique, il est recommandé d’essayer différents Index et de comparer leurs performances. Milvus peut offrir des performances de recherche ultra-rapides pour vos applications d’IA avec le bon type d’Index et la bonne configuration.
Prochaines étapes
- Téléchargez Milvus et commencez
- En savoir plus sur les types d’Index Milvus
- Consultez les benchmarks de Milvus dans ce livre blanc
Continuer à lire
A Few Notes from Databricks Data + AI Summit 2026: Why the Data Layer Matters Again
James Luan shares notes from Databricks Data + AI Summit 2026 on why production AI is pushing the data layer back to the center of infrastructure.
Zilliz Named "Highest Performer" and "Easiest to Use" in G2's Summer 2025 Grid® Report for Vector Databases
Zilliz shines in G2's Summer 2025 Grid® Report as both "Highest Performer" and "Easiest to Use," solving the performance-usability dilemma.
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.