Nouveautés de Milvus 2.3.2 et 2.3.3
Découvrez les versions 2.3.2 et 2.3.3 de Milvus ! Ces dernières versions apportent une multitude d’améliorations visant à renforcer les performances et l’expérience utilisateur de notre système de base de données vectorielle. Nous avons soigneusement pris en compte les retours de notre communauté de développeurs pour réaliser ces mises à jour.
📦 PyPI : https://pypi.org/project/milvus/
📚 Docs : https://milvus.io/docs
🛠️ Notes de publication :
🐳 Image Docker : docker pull
🚀 Version : milvus-2.3.3
Points clés :
Nouvelles fonctionnalités
🔍 Prise en charge des types de données Array - Milvus prend désormais en charge les types de données Array, permettant un filtrage précis des métadonnées. Par exemple, dans le e-commerce, cela permet des recherches avancées basées sur plusieurs étiquettes de produits, garantissant que les résultats de recherche sont hautement pertinents par rapport aux requêtes des utilisateurs.
🧹 Prise en charge des expressions de suppression complexes - Avec Milvus 2.3.2 ou 2.3.3, les développeurs peuvent spécifier des critères détaillés pour la suppression des données, permettant un nettoyage précis, comme le roulement d’anciennes données ou la suppression motivée par la conformité au RGPD basée sur les identifiants utilisateur. Notez que la suppression n’est pas atomique ; utilisez-la avec prudence pour une gestion précise des données.
🗂️ Intégration de TiKV pour le stockage des métadonnées - En intégrant TiKV pour le stockage des métadonnées, Milvus gagne en évolutivité et en stabilité. L’architecture de TiKV est conçue pour gérer efficacement le stockage de métadonnées à grande échelle, garantissant que Milvus peut évoluer pour répondre aux exigences de jeux de données croissants sans sacrifier la stabilité.
🌀 Prise en charge du type de vecteur FP16 - La prise en charge par Milvus du type de vecteur FP16 améliore l’efficacité de l’apprentissage automatique. Ce format de données est largement utilisé dans l’apprentissage profond et le ML pour sa capacité à représenter et traiter les valeurs numériques plus efficacement, ce qui se traduit par des opérations d’apprentissage automatique plus rapides et plus économes en ressources.
📊 Prise en charge de Vector Index MMAP - Allez au-delà du mappage des seules données brutes 2.3.0 ; vous pouvez désormais également mapper l’index. Cette fonctionnalité vous permet de stocker davantage de données sur la même machine et offre une flexibilité dans le stockage des données tout en réduisant les coûts.
Amélioration
🔄 Expérience de mise à niveau progressive - Milvus a renforcé sa fonctionnalité de mise à niveau progressive dans les versions 2.3.2 et 2.3.3, offrant une transition simplifiée et efficace aux utilisateurs effectuant une mise à niveau depuis la version 2.2.15 en moins de 5 minutes.
🚀 Optimisation des performances - Réduire les opérations de copie de données pour un chargement des données optimisé, simplifier les insertions de grande capacité grâce à la lecture varchar par lots, supprimer les vérifications de décalage inutiles lors du remplissage des données et résoudre la consommation élevée du CPU dans les scénarios comportant des insertions de données importantes.
En plus des améliorations mises en avant, Milvus 2.3.2 et 2.3.3 offrent une multitude de nouvelles fonctionnalités et améliorations. Cela inclut un CDC (Change Data Capture) amélioré, désormais capable de répliquer les messages MQ (Message Queue), permettant une synchronisation des données en temps réel. Les développeurs peuvent également utiliser l’insertion en masse de données binlog avec des clés de partition, rationalisant les processus d’ingestion de données. En outre, ces versions marquent le retour des types de métriques binaires tels que SUBSTRUCTURE et SUPERSTRUCTURE, élargissant l’éventail des options de représentation des données. Nous encourageons les développeurs à consulter nos notes de publication pour un aperçu complet de toutes les nouvelles fonctionnalités et améliorations.
Notes de clôture
Nous restons fermes dans notre engagement à améliorer continuellement Milvus, en nous alignant sur les besoins dynamiques de notre communauté de développeurs. Un grand merci sincère à notre dynamique communauté de développeurs, dont les contributions, les PR et les retours éclairés ont joué un rôle déterminant dans l’élaboration de la feuille de route de Milvus. Nous sommes impatients de voir comment ces mises à jour s’intègrent harmonieusement dans vos projets de développement et attendons vos retours. Continuez à coder, à innover et à façonner l’avenir de l’IA ! 🤖🧠
Continuer à lire
Smarter Autoscaling in Zilliz Cloud: Always Optimized for Every Workload
With the latest upgrade, Zilliz Cloud introduces smarter autoscaling—a fully automated, more streamlined, elastic resource management system.
Vector Databases vs. Graph Databases
Use a vector database for AI-powered similarity search; use a graph database for complex relationship-based queries and network analysis.
DeepRAG: Thinking to Retrieval Step by Step for Large Language Models
Discover DeepRAG, an advanced retrieval-augmented generation (RAG) model that improves LLM accuracy by retrieving only essential data through step-by-step reasoning.