L'IA du monde réel, construite avec Zilliz
Découvrez comment les équipes utilisent Zilliz et Milvus pour mettre en production des agents RAG, de recherche, de recommandation et d'IA. Trouvez l'article qui correspond à votre pile d'IA.
Exa construit un moteur de recherche d’entités pour les agents IA
- Productivity
- Semantic Search
- From Pinecone
- <200 ms de latence de recherche
- La latence de recherche neuronale d’Exa réduite de quelques secondes à moins de 200 ms grâce à la recherche hybride de Zilliz
- Haute fiabilité
- Quasi zéro incident opérationnel, libérant du temps d’ingénierie pour le travail produit
- Zéro interruption de service pour les changements de schéma
- De nouveaux champs filtrables et métadonnées peuvent être ajoutés sans reconstruire les index ni mettre les collections hors ligne
OpenEvidence propulse l’IA médicale
- Healthcare
- From Pinecone
- From Elasticsearch
- < 10 ms
- Latence de recherche avec un rappel élevé
- 4 000 QPS
- Trafic de recherche vectorielle à la charge maximale
- 800 000+
- Cliniciens vérifiés bénéficiant de réponses de qualité
- 25 M+
- Consultations chaque mois
Filevine : transformer la gestion des dossiers juridiques grâce à la recherche vectorielle
- Legal
- RAG
- Semantic Search
- From Milvus
- From Qdrant
- 30 milliards de vecteurs
- Géré à l’échelle de millions de documents
- Architecture de recherche sémantique
- Relier des concepts entre des documents même lorsque la terminologie exacte diffère.
- 60 à 80 %
- Temps gagné lors de la consommation, de la digestion et de l’identification des points de données pertinents
- Sécurité de niveau entreprise
- La certification SOC 2 Type 2 de Zilliz a apporté la confiance nécessaire pour traiter des informations juridiques sensibles.
MiniMax fait évoluer l’IA en temps réel et la déduplication à l’échelle du billion
- AI Models
- Latence de 30 ms à plus de 5 000 QPS
- pour des recommandations en temps réel
- réduction des coûts de 3 à 5 fois
- dans les workflows de déduplication des données d’entraînement
- 2× plus rapide dans le prétraitement des données pour LLM
- par rapport aux systèmes MapReduce hérités
- Déduplication des données à l’échelle du pétaoctet
- utilisant le moteur natif MinHash + LSH
Choosing a vector database for ANN search at Reddit
- Media
- Semantic Search
- ~340M
- Milvus 2.4 test vectors
- 100 QPS
- Query load during ingest
- Ingest isolation
- Less query impact during ingest
- Auto rebalance
- When adding replicas
Consensus développe une recherche académique agentique parcourant 400M+ sources savantes
- Productivity
- 400M+
- Sources académiques consultables
- ~45 ms
- Latence de récupération dense P99 en production
- 14% plus élevé
- précision dans les résultats de recherche après l'ajout de la recherche sémantique
- 4 fois plus grand
- des vecteurs pour seulement 2,5× la taille du cluster, sans pénalité de latence
Airtable a construit et fait évoluer son infrastructure vectorielle
- Productivity
- Semantic Search
- Requêtes à faible latence
- des performances prévisibles sont essentielles pour la confiance des utilisateurs
- Écritures à haut débit
- les bases changent constamment, et les embeddings doivent rester synchronisés
- Scalabilité horizontale
- le système doit prendre en charge des millions de bases indépendantes
Plaud propulse la mémoire d'agent à l'échelle du milliard
- Productivity
- RAG
- < 200 ms
- Latence moyenne de rappel
- 10B+
- Chunks vectoriels par région, avec de la marge pour évoluer
- Dans les jours
- Remontée de données historiques à l’échelle du milliard, sans interruption de service
- Zéro temps d’arrêt
- Modifications de schéma et mises à niveau de cluster sur une application toujours active
Meituan a construit une plateforme de retrieval à l'échelle de 10B pour alimenter plus de 100 cas d'utilisation
- Ecommerce
- 10 milliards+ de vecteurs
- En production, auto-hébergé sur Milvus
- 2B+ dans une seule collection
- La plus grande charge de travail unique, ayant grandi sans réarchitecture.
- P99 8.1 ms
- ~1 000 QPS et >97% de recall sur un benchmark de 100M vecteurs, 768 dimensions
- 100+ cas d'utilisation
- Sur une plateforme Milvus partagée : RAG, mémoire d'agent, et plus encore.
Une plateforme musicale leader mondial recherche plus de 100 millions de chansons par le son et les paroles
- Media
- Multimodal Search
- From Elasticsearch
- 100M+ titres
- Tout le catalogue intégré et consultable, y compris la longue traîne
- ~10 ms P99
- Une correspondance parmi des milliards d'embeddings audio, à des centaines de recherches par seconde.
- Par le son et le sens
- Trouvez une chanson à partir d'un fredonnement, d'un extrait ou de paroles paraphrasées, pas seulement de son titre.
Bosch réalise une réduction des coûts de 80 % et optimise l’efficacité de la recherche
- Energy
- 80 %
- Réduction des coûts de collecte des données
- ~1,4 M$
- Réduction des coûts annuels de stockage
- À l’échelle de la milliseconde
- Récupération de milliards de points de données avec une architecture évolutive
Trip.com Group rend la recherche d’hôtels fluide pour les voyageurs du monde entier
- Ecommerce
- Recherche plus intelligente et guidée par l’intention
- Fournit des résultats hôteliers multilingues précis qui comprennent l’intention des voyageurs, et pas seulement les mots-clés.
- Innovation accélérée, frais généraux réduits
- Élimine les tâches de gestion et de mise à l’échelle des clusters, permettant aux équipes de se concentrer sur l’innovation.
- Optimisation de la latence <100 ms
- Offre une recherche d’hôtels en temps réel ultra-rapide avec des temps de réponse P99,9 inférieurs à 100 ms.
- Évolutivité mondiale fluide
- Alimente la recherche en temps réel parmi des centaines de millions d’annonces avec une fiabilité d’entreprise et une faible latence.
“Zilliz gave us real-time retrieval for our AI search system at scale with tight latency targets. It freed up engineering cycles and let us focus on improving reasoning on the model side, not managing infrastructure.”
“Zilliz Cloud has helped us create a strong foundation behind the scenes as we continue to grow and serve hundreds of thousands of clinicians.”
“Zilliz helps our teams deliver fast, reliable retrieval across complex legal workflows, so customers can find the context they need when it matters.”
“Milvus and Zilliz make it practical to power fast semantic retrieval across meeting intelligence workflows.”
“Zilliz supports high-scale search experiences where latency and reliability are critical.”
“Zilliz gives product teams a strong retrieval foundation for building AI-native workflows on structured and unstructured data.”
“Zilliz helps us match people with the right opportunities through fast, relevant AI search.”