Nouveautés de Milvus 2.3
Nous sommes ravis d’annoncer la sortie de Milvus 2.3.0. Cette version contient de nombreuses nouvelles fonctionnalités et améliorations enthousiasmantes. Cet article de blog mettra en avant certaines des fonctionnalités les plus marquantes. Pour une liste complète des changements, consultez les notes de version.
📦 PyPI : https://pypi.org/project/milvus/
📚 Docs : https://milvus.io/docs
🛠️ Notes de version : https://milvus.io/docs/release_notes.md#v230
🐳 Image Docker : docker pull
🚀 Version : milvus-2.3.0
🖥️ Améliorations de calcul avec GPU et ARM64 :
Indexation GPU via Nvidia : Le QPS a été amélioré de plus de trois fois par rapport à l’indexation CPU HNSW précédente. Pour les jeux de données exigeants en calcul, les performances augmentent de près de dix fois.
Image Docker ARM64 : Les processeurs ARM offrent un gain de performances de 20 % tout en étant 20 % plus économiques.
🔎 Améliorations de la recherche et de l’indexation :
Recherche par plage : Un mécanisme de recherche plus granulaire permettant la récupération vectorielle basée sur des distances définies à partir d’un vecteur d’entrée, rendant les récupérations de données fondées sur la proximité plus intuitives.
Intégration de l’index ScaNN : Par rapport à HNSW ou IVFFlat, l’index ScaNN offre une amélioration des performances de 20 % et est sept fois plus rapide qu’IVFFlat.
Index en croissance : À mesure que les données arrivent en continu, Milvus 2.3 les indexe en temps réel, garantissant une exécution plus rapide des requêtes.
🔀 Outils de pipeline de données :
Iterator dans Pymilvus : Permet l’exportation par lots de grandes quantités de vecteurs, particulièrement utile lors de la gestion de données par dizaines de milliers.
Opération Upsert : Mise à jour ou insertion simultanée de données dans une seule requête, rationalisant la gestion des données et améliorant l’efficacité.
Prise en charge de CDC : Facilite la synchronisation des données entre centres de données, permet des sauvegardes incrémentielles et garantit une migration fluide des données.
Nous avons également amélioré l’exploitabilité du système, l’équilibrage de charge et les performances des requêtes. Plusieurs bugs ont été corrigés, et nous avons optimisé des composants clés tels que le « QueryNode ». Notre système de file de messages a été remanié pour une meilleure efficacité. De plus, des outils comme Birdwatcher et Attu ont été mis à jour pour offrir de meilleures fonctionnalités. Consultez les notes de version de Milvus 2.3 pour un aperçu complet.
Notes finales :
Un grand merci à notre communauté de développeurs. Vos contributions, PR et retours ont façonné Milvus 2.3. Nous avons hâte de voir comment vous intégrerez ces mises à jour et attendons vos prochains retours. Continuez à coder ! 🖥️🔧
Continuer à lire
My Wife Wanted Dior. I Spent $600 on Claude Code to Vibe-Code a 2M-Line Database Instead.
Write tests, not code reviews. How a test-first workflow with 6 parallel Claude Code sessions turns a 2M-line C++ codebase into a daily shipping pipeline.
Zilliz Cloud Introduces Advanced BYOC-I Solution for Ultimate Enterprise Data Sovereignty
Explore Zilliz Cloud BYOC-I, the solution that balances AI innovation with data control, enabling secure deployments in finance, healthcare, and education sectors.
Vector Databases vs. Object-Relational Databases
Use a vector database for AI-powered similarity search; use an object-relational database for complex data modeling with both relational integrity and object-oriented features.