Zilliz Cloud : propulser la recherche vectorielle à une vitesse fulgurante
Nous avons récemment lancé la toute dernière version de Zilliz Cloud, introduisant un éventail de fonctionnalités intéressantes, notamment un nouveau niveau gratuit, un schéma dynamique et des clés de partition, ainsi que des plans tarifaires plus abordables pour répondre à divers besoins métier. Nous avons également considérablement amélioré les performances, rendant Zilliz Cloud deux fois plus rapide que la version précédente et trois à dix fois plus rapide que Milvus et d’autres bases de données vectorielles.
En tant qu’ingénieur logiciel, je suis particulièrement enthousiaste à propos de la vitesse fulgurante de Zilliz Cloud pour le traitement des requêtes. Dans cet article, je vais montrer à quel point Zilliz Cloud est rapide et ce qui rend Zilliz ultra-rapide.
À quelle vitesse Zilliz Cloud est-il rapide ?
Avant de démontrer la vitesse de Zilliz Cloud, nous devons établir le contexte de notre comparaison et les conditions spécifiques que nous évaluons.
VectorDBBench est un outil de benchmarking open source qui évalue les performances de différentes bases de données vectorielles selon plusieurs métriques, telles que le QPS, la capacité, le débit et la latence, au moyen d’une interface intuitive et conviviale.
J’utiliserai VectorDBBench pour comparer Zilliz Cloud avec Milvus, une base de données open source créée par Zilliz, et d’autres bases de données vectorielles du marché, notamment Quadrant Cloud, Pinecone, WeaviateCloud et ElasticCloud.
Zilliz Cloud surpasse facilement Milvus par 6x
La figure ci-dessous compare les performances de Zilliz Cloud et de Milvus en termes de QPS lors du traitement d’un million de données à 768 dimensions avec différentes configurations de ressources de calcul et de stockage. D’après les résultats, Zilliz Cloud est au moins trois fois plus rapide que Milvus.
Zilliz Cloud vs. Milvus (jeu de données 1M, 768 dimensions)
Lors de la récupération de 10 millions de données à 768 dimensions, Zilliz Cloud surpasse Milvus par six fois.
Zilliz Cloud vs. Milvus (jeu de données 10M, 768 dimensions)
Zilliz Cloud est au moins 4x plus rapide que les autres bases de données vectorielles
Zilliz Cloud est également plus rapide que les autres bases de données vectorielles. D’après les résultats du benchmarking, Zilliz Cloud atteint un QPS 4 à 191 fois plus élevé que celui de ses concurrents lors de la récupération d’un million de données à 768 dimensions et propose des plans tarifaires beaucoup plus abordables.
Zilliz Cloud vs. autres bases de données vectorielles (jeu de données 1M, 768 dimensions)
Lors de l’exécution de recherches de similarité sur des jeux de données plus volumineux, Zilliz Cloud dépasse les services de bases de données vectorielles tels que Pinecone et Quadrant Cloud par 3x en termes de QPS.
Zilliz Cloud vs. autres bases de données vectorielles (jeu de données 10M, 768 dimensions)
Pour plus de résultats, consultez notre page de benchmarking.
Pourquoi Zilliz Cloud est si rapide
Maintenant que vous avez découvert la vitesse de Zilliz Cloud, il est temps de révéler ce qui le rend si rapide.
Zilliz Cloud dispose d’un moteur d’indexation vectorielle robuste
Les bases de données vectorielles dépendent fortement de la puissance de calcul, leurs algorithmes d’indexation vectorielle consommant la plupart des ressources et déterminant principalement les performances.
Zilliz Cloud dispose d’un moteur d’indexation robuste doté de puissantes capacités de calcul vectoriel. Glass en est la version open source et s’est hissé en tête des classements dans les résultats de tests récents publiés par ANN-Benchmark. Cet outil de benchmarking bien connu compare les performances de différents algorithmes sur divers jeux de données réels.
Examinons deux exemples. Les diagrammes suivants présentent les résultats de benchmarking les plus récents d’ANN-Benchmark, basés sur deux jeux de données différents :
gist-960-euclidean: un million de vecteurs à 960 dimensions utilisant la fonction de distance euclidienne.fashion-mnist-784-euclidean: 60 000 vecteurs à 784 dimensions utilisant la fonction de distance euclidienne.
Plus la courbe monte haut, plus les algorithmes peuvent traiter de requêtes par seconde. De même, plus la courbe s’étend vers la droite, plus le rappel que les algorithmes peuvent atteindre est élevé.
Résultats d’ANN Benchmark (jeu de données : gist-960-euclidean, k=10)
Résultats d’ANN Benchmark (jeu de données : gist-960-euclidean, k=10)
D’après les résultats présentés dans les diagrammes, Glass (la courbe rose) s’est classé comme le plus performant en termes de requêtes par seconde et de rappel. Les performances exceptionnelles de Glass ont contribué de manière significative à la capacité de Zilliz Cloud à atteindre des vitesses fulgurantes.
Structure de code optimisée
En plus de la capacité d’indexation robuste de Glass, nous avons optimisé la structure du code de Zilliz Cloud. Cette optimisation comprend la suppression des chemins de requête redondants, l’amélioration de la planification des fusions de requêtes et des règles de requêtes concurrentes, l’optimisation de la structure d’équilibrage de charge, ainsi que le remplacement/la mise à niveau de nombreuses bibliothèques tierces inefficaces et obsolètes. Tous ces efforts aident Zilliz Cloud à maximiser les capacités de son algorithme d’indexation et à réduire les surcharges.
Nous avons également résolu plusieurs problèmes qui limitaient auparavant les performances de requête de Zilliz Cloud. Par conséquent, les recherches avec filtres scalaires et filtres vectoriels sur des jeux de données à grande échelle sont désormais nettement plus rapides.
AutoIndex de Zilliz Cloud pour des taux de rappel stables
Le taux de rappel est un facteur critique pour les performances du système. Un taux de rappel insuffisant entraînera des résultats de récupération qui ne répondent pas aux exigences de nos clients. Cependant, un taux de rappel excessivement élevé peut compromettre considérablement les performances. Nous avons donc besoin d’un taux de rappel stable qui équilibre performances et précision, garantissant des résultats prévisibles et un meilleur support pour divers scénarios de production.
Le contrôle du taux de rappel est essentiel, mais également complexe, car il peut être affecté par divers facteurs, notamment la taille des données, les paramètres d’indexation et de requête, la distribution des données, et même la taille des résultats topk. La plupart des systèmes de bases de données utilisent l’une des deux solutions suivantes pour résoudre ce problème :
- Permettre aux utilisateurs de fournir des paramètres : flexible, mais difficile à adopter.
- Fournir des paramètres empiriques : facile à utiliser, mais moins flexible et incapable de contrôler précisément les situations avec différents jeux de données et exigences topk.
Zilliz Cloud propose une solution plus simple et flexible appelée AutoIndex. Elle analyse les cas d’application pratiques à partir de modèles et personnalise les paramètres pour chaque demande d’indexation. Cette approche garantit un taux de rappel stable tout en offrant d’excellentes performances pour répondre aux exigences des utilisateurs dans les applications pratiques.
Résumé
La dernière mise à jour de Zilliz Cloud a apporté des améliorations majeures en matière de fonctionnalités et de performances. Il affiche désormais une vitesse comparable à celle d’une fusée dans le traitement de recherches vectorielles massives (vector searches), surpassant nettement les autres bases de données vectorielles.
Premiers pas avec Zilliz Cloud
- Commencez gratuitement avec le nouveau Starter Plan ! Un excellent plan pour démarrer sans tracas d’installation et sans carte de crédit requise !
- Ou démarrez votre essai gratuit de 30 jours du plan Standard avec $100 de crédits offerts lors de l’inscription et la possibilité de gagner jusqu’à $200 de crédits au total.
- Approfondissez le sujet avec la documentation de Zilliz Cloud.
- Consultez le guide de migration de Milvus vers Zilliz Cloud.
Continuer à lire
How Zilliz Saw the Future of Vector Databases—and Built for Production
An inside look at how Zilliz built vector databases for real-world use, focusing on scalability, stability, and running them reliably at scale.
AI Agents Are Quietly Transforming E-Commerce — Here’s How
Discover how AI agents transform e-commerce with autonomous decision-making, enhanced product discovery, and vector search capabilities for today's retailers.
The Great AI Agent Protocol Race: Function Calling vs. MCP vs. A2A
Compare Function Calling, MCP, and A2A protocols for AI agents. Learn which standard best fits your development needs and future-proof your applications.