Come realizzare 4 applicazioni IA popolari con Milvus
Immagine di copertina.
Milvus è un database vettoriale open-source. Supporta l'aggiunta, l'eliminazione, l'aggiornamento e la ricerca quasi in tempo reale di enormi set di dati vettoriali creati estraendo vettori di caratteristiche da dati non strutturati tramite modelli di IA. Con un set completo di API intuitive e il supporto per diverse librerie di indicizzazione ampiamente adottate (ad es., Faiss, NMSLIB e Annoy), Milvus accelera lo sviluppo di applicazioni di machine learning e le operazioni di machine learning (MLOps). Con Milvus, puoi sviluppare rapidamente un prodotto minimo funzionante (MVP) mantenendo i costi entro limiti inferiori.
"Quali risorse sono disponibili per sviluppare un'applicazione di IA con Milvus?” è una domanda comune nella community di Milvus. Zilliz, l'azienda dietro Milvus, ha sviluppato una serie di demo che sfruttano Milvus per effettuare una ricerca di similarità rapidissima che alimenta applicazioni intelligenti. Il codice sorgente delle soluzioni Milvus è disponibile su zilliz-bootcamp. I seguenti scenari interattivi mostrano elaborazione del linguaggio naturale (NLP), ricerca inversa di immagini, ricerca audio e computer vision.
Sentiti libero di provare le soluzioni per acquisire esperienza pratica con scenari specifici! Condividi i tuoi scenari applicativi tramite:
Elaborazione del linguaggio naturale (chatbot)
Milvus può essere utilizzato per creare chatbot che usano l'elaborazione del linguaggio naturale per simulare un operatore dal vivo, rispondere alle domande, indirizzare gli utenti verso informazioni pertinenti e ridurre i costi di manodopera. Per dimostrare questo scenario applicativo, Zilliz ha realizzato un chatbot basato sull'IA che comprende il linguaggio semantico combinando Milvus con BERT, un modello di machine learning (ML) sviluppato per il pre-addestramento NLP.
👉Codice sorgente：zilliz-bootcamp/intelligent_question_answering_v2
Chatbot basato sull'IA creato con Milvus e BERT.
Come usarlo
Carica un set di dati che includa coppie domanda-risposta. Formatta domande e risposte in due colonne separate.
Dopo aver digitato la tua domanda, verrà recuperato un elenco di domande simili dal set di dati caricato.
Rivela la risposta selezionando la domanda più simile alla tua.
👉Video：[Demo] Sistema QA basato su Milvus
Come funziona
Le domande vengono convertite in vettori di caratteristiche usando il modello BERT di Google, quindi Milvus viene utilizzato per gestire e interrogare il set di dati.
Elaborazione dei dati:
- BERT viene utilizzato per convertire le coppie domanda-risposta caricate in vettori di caratteristiche a 768 dimensioni. I vettori vengono quindi importati in Milvus e assegnati a ID individuali.
- Gli ID vettoriali di domanda e risposta corrispondente vengono archiviati in PostgreSQL.
Ricerca di domande simili:
- BERT viene utilizzato per estrarre vettori di caratteristiche dalla domanda inserita da un utente.
- Milvus recupera gli ID vettoriali delle domande più simili alla domanda inserita.
- Il sistema cerca le risposte corrispondenti in PostgreSQL.
Sistemi di ricerca inversa di immagini
La ricerca inversa di immagini sta trasformando l'e-commerce attraverso consigli di prodotto personalizzati e strumenti di ricerca di prodotti simili che possono aumentare le vendite. In questo scenario applicativo, Zilliz ha realizzato un sistema di ricerca inversa di immagini combinando Milvus con VGG, un modello ML in grado di estrarre caratteristiche dalle immagini.
👉Codice sorgente：zilliz-bootcamp/image_search
Sistema di ricerca inversa di immagini creato con Milvus e VGG.
Come usare
- Carica un dataset di immagini compresso in formato zip composto solo da immagini .jpg (altri tipi di file immagine non sono accettati).
- Carica un’immagine da usare come input di ricerca per trovare immagini simili.
👉Video: [Demo] Ricerca di immagini basata su Milvus
Come funziona
Le immagini vengono convertite in vettori di caratteristiche a 512 dimensioni usando il modello VGG, quindi Milvus viene utilizzato per gestire e interrogare il dataset.
Elaborazione dei dati:
- Il modello VGG viene utilizzato per convertire il dataset di immagini caricato in vettori di caratteristiche. I vettori vengono quindi importati in Milvus e vengono assegnati loro ID individuali.
- I vettori di caratteristiche delle immagini e i percorsi dei file immagine corrispondenti vengono archiviati in CacheDB.
Ricerca di immagini simili:
- VGG viene utilizzato per convertire un’immagine caricata dall’utente in vettori di caratteristiche.
- Gli ID vettoriali delle immagini più simili all’immagine di input vengono recuperati da Milvus.
- Il sistema cerca i percorsi dei file immagine corrispondenti in CacheDB.
Sistemi di ricerca audio
La ricerca di parlato, musica, effetti sonori e altri tipi di audio rende possibile interrogare rapidamente enormi volumi di dati audio e far emergere suoni simili. Le applicazioni includono l’identificazione di effetti sonori simili, la riduzione al minimo delle violazioni della proprietà intellettuale e altro ancora. Per dimostrare questo scenario applicativo, Zilliz ha creato un sistema di ricerca di similarità audio altamente efficiente combinando Milvus con PANNs—reti neurali audio preaddestrate su larga scala costruite per il riconoscimento di pattern audio.
👉Codice sorgente：zilliz-bootcamp/audio_search
Sistema di ricerca audio costruito con Milvus e PANNs.
Come usare
- Carica un dataset audio compresso in formato zip composto solo da file .wav (altri tipi di file audio non sono accettati).
- Carica un file .wav da usare come input di ricerca per trovare audio simili.
👉Video: [Demo] Ricerca audio basata su Milvus
Come funziona
L’audio viene convertito in vettori di caratteristiche usando PANNs, reti neurali audio preaddestrate su larga scala costruite per il riconoscimento di pattern audio. Quindi Milvus viene utilizzato per gestire e interrogare il dataset.
Elaborazione dei dati:
- PANNs converte l’audio del dataset caricato in vettori di caratteristiche. I vettori vengono quindi importati in Milvus e vengono assegnati loro ID individuali.
- Gli ID dei vettori di caratteristiche audio e i percorsi dei file .wav corrispondenti vengono archiviati in PostgreSQL.
Ricerca di audio simili:
- PANNs viene utilizzato per convertire un file audio caricato dall’utente in vettori di caratteristiche.
- Gli ID vettoriali degli audio più simili al file caricato vengono recuperati da Milvus calcolando la distanza del prodotto interno (IP).
- Il sistema cerca i percorsi dei file audio corrispondenti in MySQL.
Rilevamento di oggetti video (computer vision)
Il rilevamento di oggetti video ha applicazioni nella computer vision, nel recupero di immagini, nella guida autonoma e altro ancora. Per dimostrare questo scenario applicativo, Zilliz ha creato un sistema di rilevamento di oggetti video combinando Milvus con tecnologie e algoritmi tra cui OpenCV, YOLOv3 e ResNet50.
👉Codice sorgente: zilliz-bootcamp/video_analysis
Sistema di rilevamento di oggetti video con Milvus.
Come usare
- Carica un dataset di immagini compresso in formato zip composto solo da file .jpg (altri tipi di file immagine non sono accettati). Assicurati che ogni file immagine sia denominato in base all’oggetto che rappresenta.
- Carica un video da usare per l’analisi.
- Fai clic sul pulsante di riproduzione per visualizzare il video caricato con i risultati del rilevamento degli oggetti mostrati in tempo reale.
👉Video: [Demo] Sistema di rilevamento di oggetti video basato su Milvus
Come funziona
Le immagini degli oggetti vengono convertite in vettori di caratteristiche a 2048 dimensioni utilizzando ResNet50. Quindi Milvus viene utilizzato per gestire e interrogare il dataset.
Elaborazione dei dati:
- ResNet50 converte le immagini degli oggetti in vettori di caratteristiche a 2048 dimensioni. I vettori vengono quindi importati in Milvus e vengono loro assegnati ID individuali.
- Gli ID dei vettori di caratteristiche audio e i percorsi dei file immagine corrispondenti vengono archiviati in MySQL.
Rilevamento di oggetti nel video:
- OpenCV viene utilizzato per ritagliare il video.
- YOLOv3 viene utilizzato per rilevare oggetti nel video.
- ResNet50 converte le immagini degli oggetti rilevati in vettori di caratteristiche a 2048 dimensioni.
Milvus cerca le immagini degli oggetti più simili nel dataset caricato. I nomi degli oggetti e i percorsi dei file immagine corrispondenti vengono recuperati da MySQL.
Continua a leggere
A Few Notes from Databricks Data + AI Summit 2026: Why the Data Layer Matters Again
James Luan shares notes from Databricks Data + AI Summit 2026 on why production AI is pushing the data layer back to the center of infrastructure.
How to Build an Enterprise-Ready RAG Pipeline on AWS with Bedrock, Zilliz Cloud, and LangChain
Build production-ready enterprise RAG with AWS Bedrock, Nova models, Zilliz Cloud, and LangChain. Complete tutorial with deployable code.
Data Deduplication at Trillion Scale: How to Solve the Biggest Bottleneck of LLM Training
Explore how MinHash LSH and Milvus handle data deduplication at the trillion-scale level, solving key bottlenecks in LLM training for improved AI model performance.