Nouveautés de Milvus 2.3.4
Dans la dernière mise à jour, Milvus 2.3.4, nous sommes heureux d’introduire plusieurs améliorations qui renforcent la disponibilité et la facilité d’utilisation de notre plateforme de base de données vectorielle. Pensée pour les développeurs, cette version se concentre sur la simplification de la surveillance, de l’importation de données et de l’efficacité de la recherche.
📦 PyPI : https://pypi.org/project/milvus/
📚 Docs : https://milvus.io/docs
🛠️ Notes de version : https://milvus.io/docs/release_notes.md#234
🐳 Image Docker : docker pull
🚀 Version : Milvus-2.3.4
Points forts
📓Journaux d’accès - L’ajout de journaux d’accès dans Milvus 2.3.4 marque une avancée dans nos capacités de surveillance. Cette fonctionnalité enregistre des informations détaillées sur les interactions avec les interfaces externes, telles que les noms de méthodes, les requêtes utilisateur, les temps de réponse et les codes d’erreur. Elle est particulièrement utile pour les développeurs et les administrateurs système qui ont besoin d’informations plus approfondies sur les performances du système et les interactions des utilisateurs. Ces journaux sont essentiels pour diagnostiquer les problèmes, affiner les performances et renforcer la fiabilité du système. Actuellement disponible pour les interfaces gRPC, nous prévoyons d’étendre cette fonctionnalité dans de futures mises à jour.
🗂️Prise en charge des fichiers Parquet - Milvus 2.3.4 prend désormais en charge les importations de fichiers Parquet, améliorant ainsi nos capacités de gestion des données. Le format de stockage colonnaire efficace de Parquet est idéal pour les opérations de données à grande échelle, offrant souvent une meilleure compression et de meilleures performances de requête que les formats orientés lignes comme JSON, en particulier avec des jeux de données complexes et volumineux. Sa capacité à gérer un large éventail de types de données, y compris des structures imbriquées et complexes, fournit aux développeurs un outil polyvalent pour gérer diverses sources de données. Cette fonctionnalité est conçue pour offrir aux développeurs davantage d’options pour une gestion efficace et performante des données dans Milvus.
📖Index Binlog sur les segments en croissance - Une fonctionnalité notable de Milvus 2.3.4 est l’introduction d’un index Binlog sur les segments en croissance. Cette amélioration renforce l’efficacité de la recherche, permettant l’utilisation de techniques d’indexation avancées comme IVF ou Fast Scann dans les segments en croissance de Milvus. Elle est particulièrement précieuse lorsque les jeux de données augmentent rapidement, garantissant que les performances de recherche suivent la croissance des données. Par conséquent, les recherches dans les segments en croissance sont désormais 10x plus rapides, améliorant l’expérience utilisateur et réduisant la latence.
⬆️Autres améliorations : Milvus 2.3.4 inclut dans cette version toute une série d’améliorations à travers la plateforme. Nous avons étendu la prise en charge des collections/partitions de 4096 à 10 000, répondant ainsi aux besoins d’environnements complexes et multi-locataires. De plus, cette mise à jour apporte une meilleure efficacité mémoire, des messages d’erreur plus clairs, des vitesses de chargement des données plus rapides et un meilleur équilibrage des shards de requête, pour une expérience globale plus fluide et plus efficace.
Nous encourageons les développeurs à consulter nos notes de version pour obtenir un aperçu complet de toutes les nouvelles fonctionnalités et améliorations de Milvus 2.3.4.
Notes de clôture
Avec Milvus 2.3.4, notre parcours dans l’avancement de la technologie des bases de données vectorielles se poursuit. Cette mise à jour apporte des améliorations réfléchies, adaptées aux besoins quotidiens des développeurs. Des capacités de recherche améliorées aux options robustes d’importation de données, ces outils sont conçus pour améliorer votre expérience avec Milvus 🛠️. Nous sommes impatients de voir comment ces améliorations progressives faciliteront vos projets dans les bases de données vectorielles. Continuons à innover et à repousser les limites du possible 🚀🌐.
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.
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.
Vector Databases vs. Hierarchical Databases
Use a vector database for AI-powered similarity search; use a hierarchical database for organizing data in parent-child relationships with efficient top-down access patterns.