Comment Poizon accélère le shopping alimenté par l’IA grâce à la recherche vectorielle à l’échelle du milliard avec Zilliz Cloud
Temps de réponse inférieurs à 90 ms
pour des recherches vectorielles à l’échelle du milliard
Coût total réduit
qu’une configuration autogérée
Complexité à 3 clusters éliminée
pour la production
Axé sur l’innovation
au lieu de la maintenance
À propos de Poizon
Poizon est l’une des plateformes de commerce électronique social à la croissance la plus rapide d’Asie, évoluant d’une marketplace axée sur les sneakers vers une destination complète dédiée à la mode et au lifestyle. Au service de millions d’utilisateurs chaque jour, Poizon exploite des capacités basées sur l’IA — notamment la recherche visuelle, la vérification automatisée de l’authenticité, les recommandations personnalisées et la prévention de la fraude — afin d’offrir des expériences d’achat fluides et fiables.
En coulisses, Poizon traite d’immenses volumes de données visuelles et textuelles pour alimenter les opérations de la marketplace, l’authentification des produits et les fonctionnalités communautaires. Fournir une découverte de produits instantanée et précise est au cœur de son avantage concurrentiel, faisant de la recherche vectorielle haute performance une fondation essentielle pour la satisfaction client et la croissance de l’entreprise..
Le défi : Construire une infrastructure pour des charges de travail d’IA à l’échelle du milliard
Poizon s’appuie sur les technologies d’IA générative dans plusieurs scénarios critiques :
Recherche d’images – permettant aux utilisateurs de trouver instantanément des produits similaires via l’importation d’images
Authentification basée sur l’IA – vérifiant automatiquement l’authenticité des produits de luxe
Optimisation des algorithmes – renforçant les moteurs de recommandation et la découverte de produits
Sécurité et contrôle des risques – prévenant la fraude et protégeant la plateforme
Chacune de ces capacités dépend d’une infrastructure de base de données vectorielle robuste. La direction de Poizon a compris que sa compétitivité à long terme dépendrait de sa capacité à fournir des expériences rapides, intelligentes et fiables pilotées par l’IA. Pour atteindre cet objectif, l’équipe avait besoin d’une infrastructure capable de gérer des opérations vectorielles à l’échelle du milliard tout en maintenant des temps de réponse inférieurs à 90 ms — des niveaux de performance essentiels à l’engagement des utilisateurs.
Une stratégie de base de données vectorielle hybride pour la performance et l’efficacité des coûts
Poizon a testé différentes options, notamment Milvus et Qdrant avec des données réelles, en rejouant des requêtes typiques et en mesurant deux objectifs de latence : moins de 90 ms pour les chemins critiques et moins de 500 ms pour les très grands jeux de données. L’équipe a également comparé les choix d’index — HNSW par défaut, DiskANN pour les ensembles volumineux/à faible QPS — ainsi que la mise à l’échelle Kubernetes, les opérations de day-two et le support communautaire.
Milvus s’est révélé le meilleur choix. Il correspondait à la stack basée sur Go de l’équipe, montait en charge proprement sur Kubernetes et disposait d’une communauté locale active qui accélérait le dépannage et le partage des connaissances. Il a fonctionné de manière fiable lors des tests d’endurance, et l’équipe pouvait adapter les outils si nécessaire — par exemple, en ajustant milvus-backup pour ignorer les segments problématiques. Milvus est devenu le standard pour les charges de travail vectorielles de Poizon.
À mesure que l’échelle augmentait, Poizon a réévalué la manière d’atteindre une latence ultra-faible. Les benchmarks, le traffic shadowing et les tests A/B ont montré une séparation claire : Milvus autogéré avec DiskANN est idéal pour les grands jeux de données avec des objectifs de latence modérés, tandis que le Milvus managé (également connu sous le nom de Zilliz Cloud) atteint constamment le seuil de moins de 90 ms à l’échelle du milliard avec moins d’effort opérationnel.
Dans l’environnement de Poizon, pousser davantage les clusters autogérés a entraîné des rendements décroissants : la latence s’est stabilisée autour de ~200 ms même après une mise à l’échelle jusqu’à 60 QueryNodes, principalement en raison des interactions QueryNode–Proxy. Atteindre moins de 90 ms sur site aurait nécessité au moins trois clusters parallèles et une logique complexe de multi-read/multi-write — possible, mais coûteuse et lourde à exploiter.
Milvus s’est révélé le meilleur choix — correspondant à la stack basée sur Go de Poizon, montant en charge en douceur sur Kubernetes et soutenu par une communauté active. Poizon a adopté une approche hybride : Zilliz Cloud pour les charges de travail critiques en latence (telles que la recherche visuelle et l’authentification par IA) et Milvus autogéré pour les scénarios économiques avec des performances stables inférieures à 500 ms — offrant à la fois la vitesse à l’échelle du cloud et l’efficacité opérationnelle.
Les résultats : recherche plus rapide, architecture plus légère, innovation accrue
L’adoption de Zilliz Cloud a apporté des améliorations immédiates et mesurables à l’ensemble de la plateforme de commerce basée sur l’IA de Poizon :
Performances inférieures à 90 ms – Zilliz Cloud a constamment atteint la latence ultra-faible requise pour la recherche visuelle et l’authentification par IA—ce que Milvus autogéré n’a pas pu offrir, même après une mise à l’échelle jusqu’à 60 QueryNodes, où les performances ont plafonné à ~200 ms.
Architecture plus simple et plus rentable – En éliminant le besoin d’une configuration complexe à trois clusters et d’une logique multi-écriture/multi-lecture, Zilliz Cloud a non seulement simplifié les opérations, mais a également réduit les coûts. Le service managé a surpassé ce qu’une alternative autogérée coûteuse aurait pu atteindre.
Priorité d’ingénierie réorientée vers l’innovation – Une fois les goulots d’étranglement de l’infrastructure résolus, l’équipe d’ingénierie de Poizon s’est détournée de l’optimisation et de la maintenance des bases de données pour se concentrer plutôt sur la création de fonctionnalités alimentées par l’IA qui renforcent son avantage concurrentiel dans l’e-commerce.
Perspectives : construire l’excellence du pipeline de données
Avec une base de données vectorielle haute performance en place, Poizon se concentre désormais sur la construction d’un pipeline de données de premier ordre pour alimenter la prochaine étape de l’innovation en IA.
L’équipe d’ingénierie crée des outils automatisés de migration et d’ingestion qui permettront aux équipes métier de se concentrer sur les applications axées sur les données, tandis que les DBA géreront la quantification et l’ingestion en arrière-plan. Cela accélérera le déploiement de nouvelles fonctionnalités d’IA dans les différentes unités métier, sans le fardeau d’une préparation manuelle.
En parallèle, Poizon développe des outils de validation de la cohérence des données—en collaboration avec des équipes internes et la communauté Milvus—afin d’assurer l’alignement entre les systèmes en amont comme MySQL et leurs bases de données vectorielles. Ces efforts préserveront l’intégrité des données sur l’ensemble du pipeline d’IA, jetant les bases d’une innovation en IA évolutive et fiable.
Conclusion
Le parcours de Poizon illustre comment la bonne stratégie de base de données vectorielle peut libérer l’innovation en IA à grande échelle. En combinant Zilliz Cloud pour les charges de travail critiques en termes de performance avec Milvus autogéré pour les scénarios optimisés en coûts, l’entreprise a supprimé les goulots d’étranglement de l’infrastructure et libéré ses ingénieurs pour qu’ils se concentrent sur la livraison de fonctionnalités d’IA différenciées.
Pour les entreprises d’e-commerce qui cherchent à proposer des expériences alimentées par l’IA, l’approche hybride de Poizon démontre que l’infrastructure n’est pas seulement un choix technique—c’est un avantage concurrentiel. Avec des performances et une fiabilité assurées, la voie vers des expériences utilisateur révolutionnaires devient inévitable.
- À propos de Poizon
- Le défi : Construire une infrastructure pour des charges de travail d’IA à l’échelle du milliard
- Une stratégie de base de données vectorielle hybride pour la performance et l’efficacité des coûts
- Les résultats : recherche plus rapide, architecture plus légère, innovation accrue
- Perspectives : construire l’excellence du pipeline de données
- Conclusion
Contenu
Cas d'usage
Secteur d'activité
Commerce électronique