Quoi de neuf dans Milvus 2.4.0 ?
Nous sommes ravis de dévoiler Milvus 2.4, une étape importante dans notre quête visant à améliorer les capacités de recherche pour de vastes ensembles de données. Cette version accélère l’efficacité de la recherche et élargit nos horizons vers une plateforme de recherche unifiée capable de répondre à divers cas d’usage de recherche avec une vitesse et une précision inégalées. Nos efforts pour prendre en charge une recherche accélérée et unifiée reflètent notre engagement à fournir une solution robuste et évolutive de gestion et d’interrogation des données vectorielles.
📚 Docs : https://milvus.io/docs
🛠️ Notes de version : https://milvus.io/docs/release_notes.md#240
🐳 Image Docker : docker pull
🚀 Version : Milvus-2.4.0
Points forts
🚀 Prise en charge de l’index CAGRA — Milvus 2.4 introduit la prise en charge de l’index CAGRA de NVIDIA, établissant une nouvelle référence en matière d’indexation de graphes accélérée par GPU pour les applications de recherche nécessitant une latence extrêmement faible. Surpassant l’index HNSW, standard de l’industrie, CAGRA démontre une efficacité et une rapidité exceptionnelles, même pour de petites tailles de lots. Ses avantages deviennent encore plus marqués avec des lots plus volumineux, répondant aux exigences des environnements à haut débit. De plus, Milvus intègre des options de recherche exhaustive avec CAGRA pour les cas d’usage où l’obtention du rappel le plus élevé possible est essentielle. Les développeurs peuvent consulter la documentation pour commencer à exploiter les capacités de l’index GPU CAGRA.
Milvus raft cagra vs milvus hnsw
🔍 Recherche multi-vectorielle — L’ajout de la recherche multi-vectorielle dans Milvus 2.4 améliore le développement d’applications d’IA en permettant la gestion de plusieurs recherches vectorielles et le reranking au sein de son framework. Cela simplifie la gestion des recherches multimodales et améliore le rappel lors de la récupération d’informations. La capacité de stocker et d’interroger plusieurs vecteurs pour une même entité au sein d’une collection facilite la modélisation des données d’une manière naturelle et efficace pour les applications réelles. Cette fonctionnalité rend également l’intégration et l’optimisation de modèles reranked personnalisés simples, soutenant le développement de fonctionnalités de recherche avancées, comme des systèmes de recommandation précis qui exploitent les informations issues de données multidimensionnelles.
Fonctionnement de la fonctionnalité de recherche multi-vectorielle
🧮 Recherche par regroupement — Autre point fort de Milvus 2.4 : la fonctionnalité de recherche par regroupement, qui améliore l’efficacité des ressources de calcul et la productivité des développeurs pour les requêtes de recherche groupées. Cette fonctionnalité répond aux défis liés à l’interrogation de grands ensembles de données, comme des documents ou des vidéos segmentés en fragments ou images vectorisés. Auparavant, agréger les résultats de recherche par attributs était fastidieux, nécessitant d’importantes ressources de calcul et des solutions de contournement complexes en matière de code. Désormais, la recherche par regroupement permet une agrégation simple, permettant aux utilisateurs de récupérer directement les meilleurs résultats par champs regroupés.
Exemple : recherche de livres contenant "harry potter"
🔮 Prise en charge des vecteurs clairsemés (bêta) — Très attendue, la prise en charge bêta des embeddings de vecteurs clairsemés est disponible dans Milvus 2.4, permettant des recherches ANN efficaces et sémantiquement riches. Cette fonctionnalité est conçue pour les embeddings issus de modèles neuronaux comme SPLADEv2 et de modèles statistiques tels que BM25, améliorant les capacités de recherche au-delà des recherches traditionnelles par mots-clés en se concentrant sur la similarité sémantique. Prévue pour une disponibilité générale ultérieure, cette phase bêta vise à optimiser les performances et l’intégration au sein de l’écosystème de Milvus. Elle ouvre de nouvelles perspectives pour la recherche hybride — fusionnant les stratégies par mots-clés et par embeddings — afin d’améliorer considérablement la précision de la recherche textuelle. Idéale pour les utilisateurs qui migrent depuis des systèmes basés sur les mots-clés et recherchent une précision de recherche accrue sans nécessiter de personnalisation approfondie, la prise en charge des vecteurs clairsemés fait évoluer Milvus vers des méthodologies de recherche textuelle hybride plus nuancées.
⬆️ Autres améliorations clés — Milvus 2.4 apporte de nombreuses autres nouvelles fonctionnalités et améliorations, notamment la prise en charge des expressions régulières pour une meilleure correspondance de sous-chaînes dans le filtrage des métadonnées, un nouvel index inversé scalaire pour un filtrage plus efficace des types de données scalaires (grâce à Tantivy), ainsi qu’un outil de capture des changements de données pour surveiller et répliquer les changements dans les collections Milvus. Ensemble, ces mises à jour améliorent considérablement les performances et la polyvalence de Milvus pour les opérations de données complexes.
Bien démarrer
Vous souhaitez découvrir Milvus 2.4.0 ? Commencez par les notes de publication pour obtenir un aperçu des nouvelles fonctionnalités et améliorations. Rejoignez notre prochain webinaire avec James Luan, vice-président de l’ingénierie chez Zilliz, pour une discussion approfondie sur les capacités de Milvus 2.4.0. Prêt à voir les changements par vous-même ? Téléchargez Milvus 2.4.0 et commencez à intégrer ces améliorations dans vos projets.
Continuer à lire
Zilliz Cloud Update: Smarter Autoscaling for Cost Savings, Stronger Compliance with Audit Logs, and More
What's new in Zilliz Cloud? Smarter autoscaling with scale-down, audit logs GA, enhanced SSO, and Milvus 2.6 in Private Preview.
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.