Bilanciare precisione e prestazioni: come i nuovi parametri di Zilliz Cloud ti aiutano a ottimizzare la ricerca vettoriale
Introduzione
Negli ultimi anni, i large language models (LLM) e i database vettoriali sono diventati la spina dorsale di innumerevoli applicazioni basate sull'IA: dalle raccomandazioni per l'e-commerce al riconoscimento facciale e ai sistemi RAG. Tuttavia, questi diversi casi d'uso presentano una sfida comune: come bilanciare l'accuratezza della ricerca (tasso di recall) con le prestazioni (latenza e throughput)?
È proprio per questo che siamo entusiasti di presentare due nuove potenti funzionalità nell'ultima release di Zilliz Cloud, il nostro database vettoriale completamente gestito basato su Milvus:
Il parametro
level- Una manopola semplice ma potente per perfezionare l'accuratezza della ricercaIl parametro
enable_recall_calculation- Uno strumento integrato per stimare e convalidare i tassi di recall
Queste aggiunte consentono agli sviluppatori di trovare il perfetto equilibrio per i loro casi d'uso specifici, che si tratti di raccomandazioni fulminee o di applicazioni di sicurezza altamente accurate. In questo blog, ti mostreremo esattamente come sfruttare queste funzionalità per ottimizzare le tue implementazioni di ricerca vettoriale.
Casi d'uso diversi, requisiti diversi
Con la diffusione della ricerca vettoriale in tutti i settori, abbiamo osservato che i requisiti in termini di recall, latenza e query al secondo (QPS) variano drasticamente tra le applicazioni. Diamo un'occhiata a due esempi contrastanti:
Sistemi di raccomandazione: velocità rispetto all'accuratezza perfetta
I sistemi di raccomandazione filtrano vaste librerie di contenuti per suggerire elementi rilevanti in base alle preferenze degli utenti. In questi sistemi, il tasso di recall non è la priorità principale. Sebbene le raccomandazioni debbano essere pertinenti, introdurre un po' di varietà spesso migliora la scoperta e il coinvolgimento degli utenti.
Questi sistemi, invece, devono gestire migliaia di richieste simultanee in tempo reale, richiedendo:
QPS elevato per servire molti utenti contemporaneamente
Latenza molto bassa per esperienze utente reattive
Recall moderato (85-95%) con tolleranza per alcune corrispondenze imperfette
L'impatto aziendale di raccomandazioni lente di solito supera quello di suggerimenti occasionalmente imperfetti, rendendo critica l'ottimizzazione delle prestazioni.
Riconoscimento facciale: l'accuratezza non è negoziabile
I sistemi di riconoscimento facciale, specialmente nei contesti di sicurezza, hanno requisiti completamente diversi. Devono identificare accuratamente gli utenti autorizzati per prevenire sia i falsi positivi (violazioni della sicurezza) sia i falsi negativi (utenti legittimi a cui viene negato l'accesso).
Questi sistemi necessitano di:
Recall molto elevato (99%+) per un'identificazione accurata
Tolleranza per una latenza moderata (gli utenti accettano un breve ritardo di verifica)
Richieste QPS inferiori (la verifica è un'attività relativamente infrequente)
Le conseguenze di un'identificazione errata sono significative, rendendo l'accuratezza la priorità non negoziabile anche a costo di una certa perdita di prestazioni.
Il filo conduttore: trovare il tuo equilibrio
Questi esempi contrastanti evidenziano perché un approccio unico alla configurazione della ricerca vettoriale non è sufficiente. Ogni applicazione si colloca in un punto di questo spettro, richiedendo un'ottimizzazione ponderata di recall, latenza e QPS in base alle esigenze aziendali.
È proprio per questo che abbiamo introdotto i parametri level e enable_recall_calculation: per fornire agli sviluppatori gli strumenti per trovare il loro equilibrio ottimale.
Presentazione delle funzionalità di ottimizzazione della precisione di Zilliz Cloud
Il parametro level: perfezionare l'accuratezza della ricerca
Il parametro level offre un controllo semplice ma potente sull'accuratezza della ricerca, con valori compresi tra 1 e 10:
| Valore livello | Ideale per | Recall tipico | Impatto sulle prestazioni |
|---|---|---|---|
| Inferiore (1-3) | Applicazioni focalizzate sulle prestazioni | 90-97% | Impatto minimo sulla latenza, QPS più elevato |
| Medio (4-7) | Applicazioni bilanciate | 97-99.5% | Impatto moderato sulla latenza, buon QPS |
| Superiore (8-10) | Applicazioni critiche per l’accuratezza | 99.5%+ | Latenza più elevata, QPS ridotto |
Abbiamo esteso il limite superiore da 5 a 10 sulla base del feedback degli utenti, consentendo una precisione ancora maggiore per sicurezza, controllo del rischio e molti altri scenari che richiedono accuratezza.
Tieni presente che un tasso di recall più elevato non è sempre positivo per i tuoi casi d’uso. Ad esempio, se level=3 o 5 soddisfa le esigenze, aumentare ulteriormente il livello porterebbe solo a un uso non necessario delle risorse e a una latenza più elevata.
Il parametro enable_recall_calculation: convalidare la tua accuratezza
Mentre il parametro level regola l’accuratezza della ricerca, come verifichi di raggiungere il tasso di recall target? È qui che entra in gioco enable_recall_calculation.
Quando abilitato durante un’operazione di ricerca, questo parametro:
Stima il tasso di recall effettivo della tua configurazione attuale
Restituisce questo valore insieme ai risultati della ricerca
Consente decisioni basate sui dati sulle modifiche alla configurazione
Questo calcolo una tantum ti aiuta a convalidare se le impostazioni attuali soddisfano i tuoi requisiti di accuratezza senza richiedere strumenti di benchmarking esterni.
Implementazione pratica: una guida passo passo
Esaminiamo un esempio reale di ottimizzazione di un’implementazione di ricerca vettoriale con queste nuove funzionalità.
Prerequisiti
Un’istanza Zilliz Cloud (registrati qui se non l’hai già fatto)
PyMilvus 2.5.4 o versione successiva
Il tuo dataset di test (in questo esempio useremo il dataset cohere-1M)
Passaggio 1: definisci i tuoi requisiti
Prima di immergerti nella regolazione dei parametri, definisci chiaramente i tuoi requisiti:
Tasso di recall target: 99.5%
Latenza massima accettabile: 5ms
Altre considerazioni: QPS, utilizzo delle risorse
Pattern di query: ricerca vettoriale pura
TopK: 16,000
Passaggio 2: importa i dati di test
Per test accurati, dovresti usare dati che assomiglino molto al tuo ambiente di produzione. In questo esempio, useremo il dataset cohere-1M e lo importeremo in Zilliz Cloud tramite VectorDBBench.
Passaggio 3: stima del tasso di recall di base
Vediamo prima come si comportano le impostazioni predefinite (level=1):
search_params = {
"params": {
"level": 1,
"enable_recall_calculation": True
}
}
res = client.search(
collection_name = "ZillizCloudVectorDBBench",
# dati di test
data = [
[0.22252834,0.26758388,0.3414864,0.31775144,0.25819996,-0.06176423,0.60313016,-0.31930527,-0.05070293,0.80085576,-0.7066278,-0.14704825,0.07324219,-0.051405758,0.24823247,0.20365287,-0.005265507,0.24754052,0.06302843,-0.24397966,-0.2805658,0.543768,0.018544307,0.14154078,0.03093845,-0.25058296,-0.61569184,0.08389459,-0.27519965,0.2121497,0.26527727,-0.03291658,-0.2631627,0.026973603,-0.22165383,0.38862047,0.012616088,-0.066382475,-0.013436819,-0.59001106,-0.08682751,0.13704056,0.08583454,0.0802483,0.01096984,0.20214474,0.11156094,0.5482859,-0.0807617,-0.16539982,-0.29261217,0.08269717,0.03385099,-0.48874223,-0.013168857,0.01616468,-0.6270225,0.13169415,1.0166928,0.6573267,0.40487188,0.2235163,-0.68331105,-0.24911362,-0.1763628,0.34692895,0.077760294,0.96388775,-0.10841275,0.3977706,0.08965021,0.29019687,0.106024966,0.11854912,-0.070255764,-0.24960922,-0.5354312,-0.70186704,0.25364435,0.43369204,0.42516047,0.15078346,-0.35151976,0.4886603,0.37026608,0.39485633,-0.046821307,0.18807457,0.13850202,-0.15630293,0.1469321,0.13219471,-0.31201053,0.22278261,-0.23063508,0.42379102,0.66762435,-0.11903275,0.22101034,-0.10102379,0.21675844,-0.2571628,-0.26546052,0.6185626,0.241754,-0.15792729,-0.37045696,0.23996626,-0.27011713,-0.11512929,0.31577003,0.11118326,-0.76019096,-0.1682175,0.5329204,0.3614348,-0.2348311,0.108711846,0.068240434,-1.3124024,0.20385003,0.6049856,-0.2924265,-0.07293733,0.5181119,0.15742214,0.7537572,-0.656809,0.57201636,0.09775318,0.5414663,-0.53804034,-0.0802571,0.62367904,0.023681821,0.6950041,0.3207407,0.36089638,0.53875273,-0.7288189,-0.12956187,0.15076943,0.057313107,0.41065657,-0.00928412,0.090415776,0.18091775,-0.010793066,-0.010142676,-0.20986095,-0.3740831,0.25086942,-0.31494206,0.17761512,0.04850758,-0.06098805,0.7605751,0.3038707,0.5178377,-0.5769507,0.80365956,0.22879237,-0.34868854,-0.2688102,-0.20910782,0.3392469,0.2990533,0.5502763,0.6561665,0.04177933,-0.45408615,-0.055697974,0.05596695,-0.22720425,0.63778013,-0.1921504,-0.16227654,-0.053658817,0.04536426,-0.28570235,0.30350783,0.5217574,0.0025516534,0.10135456,0.5973671,0.09276529,0.7803261,0.45648357,-0.21722879,-0.3496141,0.18574907,0.1729008,0.6754883,-0.5101994,0.16308193,-0.32053986,-0.0013728795,0.0371755,-0.114131995,0.19870742,0.3973309,0.17016156,0.016581284,0.3074155,0.32889378,-0.6682561,0.36933577,0.45571226,-0.19315217,-0.5065343,0.15996625,0.026897952,0.046443015,0.2667398,-0.18946062,-0.4283052,-0.44281873,-0.24062063,0.41703427,-0.30064407,0.35975343,0.31060407,0.18125875,0.14912511,0.10962614,-0.06901708,-0.2846222,-0.027887726,0.037055127,0.031954445,0.56672156,-0.0863331,0.1497875,-0.1635759,-0.25121027,0.6303942,0.17385906,0.4313834,0.15800661,-0.6267578,-0.03539913,0.32520285,0.42759246,0.24401832,0.2115575,-0.8652025,0.13317755,-0.5719402,0.17294376,-0.12595764,0.34818307,0.24802469,0.05904272,0.1538172,-0.57994705,0.2582915,0.45511153,-0.44164076,-0.074042775,0.04943926,-0.1648779,0.3280813,0.5601293,-0.0018850226,-0.140464,-0.07845455,0.44026145,0.56197315,0.1462102,-0.18595229,0.014953136,0.46956787,-0.14819877,0.1859354,0.019512085,-0.01712815,0.5366789,0.7835224,-0.7423546,0.6503855,0.44647282,0.3631722,-0.66614413,0.10151727,-0.1348695,0.32992417,0.10387001,-0.26746857,-0.33413792,-0.5662058,0.36110422,0.7741211,-0.039930806,-0.15249825,0.09454683,0.4891987,0.0062028184,0.06745152,0.55465925,-0.06739082,0.5588079,-0.43696547,0.555966,0.56702,0.056295626,-0.62005293,-0.3722073,0.21030217,-0.017268468,0.95288086,0.51696795,-0.25066343,-0.3169728,0.42543235,0.31396082,0.17551036,0.3922707,0.07407632,0.91187936,0.38888615,-0.12070266,0.011815081,-0.45720986,0.04727247,0.62094855,-0.45443076,0.16062841,-0.40287957,-0.55417335,-0.3830013,0.055438586,0.1718703,-0.6422826,0.22917171,-0.5290951,0.1585279,0.07934802,0.50577295,-0.035466444,0.088082545,0.5693788,0.11773129,0.1821725,0.41347143,-0.2278498,0.50422746,0.29794943,-0.9369089,0.47065943,0.28594327,-0.6866015,-0.63375616,-0.15243755,-0.46409172,-0.4630497,-0.25025153,0.6375835,0.54886156,0.19831929,-0.03725618,0.20592122,0.36338213,0.31409082,-0.05410012,0.14887711,0.09740482,0.05067692,0.14775206,0.28025475,-0.34377113,-0.27423778,-0.354568,-0.20043556,0.3899774,-0.19812085,-0.36292082,-0.18255037,0.07038237,0.642794,-0.060884897,0.2948623,0.68766963,0.6928454,-0.3849391,0.17996079,0.12549743,0.10299729,-0.25861496,-0.09246836,-0.32353002,-0.01378604,-0.095313616,-0.04558251,0.20014873,-0.4066689,-0.08052519,-0.4618455,0.37693843,0.45283204,-0.114583425,0.050728872,0.13196129,-0.1941961,-0.11727777,3.9586966,0.05150596,0.11701303,0.5739518,0.07567582,0.48247826,0.25156844,0.38180268,0.12796494,0.009531708,-0.04081167,-0.30954623,-0.035167653,0.43064785,0.24091315,-0.11113215,0.027972942,0.3501582,0.54151994,0.14281327,-0.6420307,0.48611403,0.5221564,0.47878447,0.8510151,0.5528693,0.27463847,0.7548287,0.760392,0.4057206,0.5247366,0.6815815,0.46189928,-0.0665814,0.29575244,-0.13240056,0.44400057,-0.26975283,-0.15510945,0.15475176,-0.46221858,0.054507546,0.14640503,0.66453534,0.19300742,-0.3626597,-0.16279799,0.3795997,0.122737944,-0.20419496,0.18285695,0.027228406,-0.22584598,-0.16478994,0.28747237,0.53937024,0.44095138,0.6340223,-0.41380823,0.38367343,0.39497304,-0.043954037,0.38885015,-0.33315817,-0.4766579,0.17371525,-0.23392603,0.7948543,0.3054392,-0.72041094,0.2532946,0.415873,0.80443436,-0.34634262,-0.4886025,0.30351955,-0.049782824,-0.47253707,-0.11401102,-0.096243046,0.19083612,-0.34427363,-0.24545296,0.5773733,0.16357873,0.38620606,0.39995435,-0.65907687,0.6957725,0.24120355,0.34054404,-0.039899644,0.80393964,0.06337182,0.14144897,0.117613785,-0.019442292,-3.7490542,-0.38971332,0.14894387,-0.61240107,0.19039957,0.23817067,0.022639165,0.015894404,-0.6198486,0.14320132,0.041371442,-0.30882874,-0.30676636,1.0463533,-0.034157425,0.31748047,0.4891939,0.5333419,-0.3289819,0.14962271,0.2807266,0.35519713,0.4001028,-0.18559772,-0.7066097,0.14664957,-0.565848,0.013109448,-0.18452193,-0.07372118,0.28156808,-0.36035228,0.8867393,-0.16306667,-0.04191513,0.4594507,0.43135175,-0.091903865,-0.042651527,-0.32555583,-0.19054003,-0.06525034,0.16911364,0.04686202,-0.038171988,0.1336097,0.3761719,-0.050084345,-0.2679286,0.64759475,0.7107872,0.2074471,-0.27312976,0.40090975,0.5491712,-0.10747743,0.74496686,0.18130445,-0.09431538,0.19524746,-0.21418755,-0.12488151,0.15227054,-0.3852693,-0.7784234,-0.14571632,0.041122317,-0.16407914,0.03949264,-0.1925929,0.32901394,0.12069722,0.23391949,-0.16763128,-0.12962814,0.5088096,0.21486548,-0.20993523,0.603585,0.24633685,-0.14029086,-0.27401388,-0.49189645,-0.10249644,2.3196032,-0.12417316,2.1448603,0.058190174,-0.6551869,0.6827868,0.6356786,0.7710372,0.3722568,0.8363127,0.3799041,0.26085538,-0.20764771,0.512162,0.08349497,-0.15835808,0.5738307,-0.66654295,0.18993358,0.32188657,0.0764867,0.64592606,-0.2310478,0.18350935,-0.3915338,0.028645294,-0.101273224,0.8696747,-0.50792813,-0.39119712,-0.30162883,0.7319297,0.71813834,0.39383802,-0.012138247,0.3298783,0.23386809,4.5470805,-0.049004212,0.107414484,0.052308656,0.2678271,-0.15366946,0.5438965,-0.47809094,-0.14649442,0.022792917,0.1358324,-0.4503206,0.57014287,-0.13368002,0.23805767,-0.22125027,-0.08700341,0.045676652,0.16678812,-0.27974084,0.45245427,-0.2107062,0.6667994,0.036875203,0.54632777,0.20104687,0.5349449,0.06913179,-0.086024776,0.76876926,0.16203642,5.155099,0.2797164,0.21450946,-0.17529553,-0.038863413,0.5156995,0.08603405,-0.516439,-0.35604522,0.10131945,0.008194211,0.084706515,-0.34049395,0.21572115,-0.83385843,-0.046860088,-0.48247585,0.023293016,0.22008015,-0.5305121,0.5061096,0.0183293,0.1326365,0.22057603,-0.43027383,-0.3885953,0.1500542,-0.1449458,-0.38747045,0.2789606,0.27069542,-0.37978157,-0.58541,0.5139468,-0.60586643,-0.5236463,0.22003366,0.15764758,0.3512009,0.13694952,0.7772281,0.28431293,0.113065295,0.14233269,-0.047996823,0.0024461043,0.06218189,-0.28065726,-0.2061346,-0.36278206,0.24291486,-0.0869041,0.7448049,0.36513415,0.61559093,0.42820337,0.41123256,-0.32082868,-0.10876272,-0.028618973,0.6750199,-0.048880983,-0.12521495,0.1926665,0.6695621,0.21937566,0.46856737,0.30544627,0.2650348,-0.11578811,-0.15696093,-0.047148716,0.19283816,0.12149068,-0.03274016,0.021503512,0.008024155,0.19709297,0.15727529,0.14134975,-0.16997191,-0.063695885,-0.39591065,-0.11891319,-0.04673462,0.16978487,-0.09345571,0.11924938,0.13301763,-0.2266567,0.4164705,0.3571622,0.09038913,0.18044233,0.09119875,-0.23754075,0.45051736,0.35435763,0.20957275,0.5704436,-0.36682,0.26963162,0.15532929,-0.24306794,0.17486432,0.39116114,0.12234816,0.21448524,-0.019066956,-0.09756305,0.4465544,0.3394048,-0.7088385,-0.5032021,0.03529406]
],
limit = 16000,
search_params = search_params
)
print(f"recall: {res.recalls}")
L'output è:
recall: [0.9886875152587891]
Con un recall del 98,87%, siamo sotto il nostro obiettivo del 99,5%. Misuriamo anche la latenza (opzionale):
search_params = {
"params": {
"level": 1,
# "enable_recall_calculation": True
}
}
start_time = time.perf_counter()
client.search(collection_name = "ZillizCloudVectorDBBench",
data = data,
limit = limit,
search_params = search_params
)
end_time = time.perf_counter()
elapsed_time = end_time - start_time
print(f"latency at level=1: {elapsed_time:.2f} seconds")
E l'output è:
latency at level=1: 0.03 seconds
Passaggio 4: Trovare il Valore Level Ottimale
Ora, testiamo sistematicamente diversi valori di level per trovare la configurazione ottimale:
recall at level=1: [0.9886875152587891]
latency at level=1: 0.03 seconds
...
recall at level=6: [0.9947500228881836]
latency at level=6: 0.04 seconds
recall at level=7: [0.9961249828338623]
latency at level=7: 0.04 seconds
...
recall at level=10: [1.0]
latency at level=10: 0.06 seconds
Gli esperimenti mostrano che level=7 soddisfa il nostro obiettivo di recall (99,61% > 99,5%) mantenendo la latenza entro limiti accettabili.
Passaggio 5: Monitorare le Prestazioni del Sistema (Opzionale)
Zilliz Cloud offre un insieme completo di metriche di sistema per aiutarti a monitorare le prestazioni in modo efficace. Quando regoli il parametro level e applichi nuove impostazioni, Zilliz Cloud fornisce il monitoraggio in tempo reale di metriche chiave come QPS e latenza. Questo ti consente di valutare l'impatto delle regolazioni dei parametri sulle prestazioni complessive del sistema, permettendo un processo decisionale più informato.
Passaggio 6: Validare con un Carico di Lavoro di Produzione
Per la validazione in produzione, consigliamo di:
Eseguire test con vettori di query rappresentativi
Monitorare la dashboard di Zilliz Cloud per:
Latenza media
QPS
Utilizzo delle risorse
Passaggio 7: Condurre un Benchmarking Completo (Opzionale)
Per una valutazione più rigorosa, abbiamo utilizzato VectorDBBench, uno strumento di benchmarking open-source, per testare varie configurazioni con 1.000 operazioni di ricerca:
| level | Latenza media(ms) | QPS | Recall da VectorDBBench | Recall da Zilliz Cloud |
|---|---|---|---|---|
| 1 | 3.1 | 1266 | 0.9519 | 0.953 |
| 2 | 3.2 | 1080 | 0.9644 | 0.9669 |
| 3 | 3.4 | 972 | 0.9728 | 0.9755 |
| 4 | 3.6 | 814 | 0.9816 | 0.9846 |
| 5 | 3.9 | 704 | 0.9871 | 0.99 |
| 6 | 4.4 | 549 | 0.9916 | 0.995 |
| 7 | 5 | 448 | 0.9936 | 0.9971 |
| 8 | 5.4 | 375 | 0.9945 | 0.9983 |
| 9 | 5.9 | 340 | 0.9952 | 0.9991 |
| 10 | 6.3 | 296 | 0.9958 | 0.9995 |
Tabella 1: Risultati dei test basati su 1.000 operazioni di ricerca da VDBBench
Questi risultati di benchmarking confermano che:
Le stime di
enable_recall_calculationcorrispondono da vicino alle prestazioni effettive di recallUn recall più elevato comporta un aumento della latenza e una riduzione del QPS
Per i nostri requisiti target,
level=7fornisce il bilanciamento ottimale
È importante notare che i miglioramenti nel recall generalmente comportano un aumento della latenza e una riduzione del QPS. Se il recall attuale soddisfa le tue esigenze di business ma il QPS è subottimale, puoi considerare di aumentare le risorse CU o aggiungere repliche per migliorare il throughput.
Passaggio 8: Confermare la Configurazione Ottimale
Sulla base dei risultati sperimentali, la configurazione ottimale in questo esempio è level=7, che offre un recall del 99,6% mantenendo una latenza accettabile.
Conclusione
Trovare il perfetto equilibrio tra accuratezza della ricerca e prestazioni è da tempo una sfida per gli utenti dei database vettoriali. Con i nuovi parametri level e enable_recall_calculation di Zilliz Cloud, gli sviluppatori dispongono ora di strumenti potenti per ottimizzare le loro implementazioni di ricerca vettoriale in base ai loro requisiti specifici.
Che tu stia creando sistemi di raccomandazione che danno priorità alla velocità, applicazioni di sicurezza che richiedono un'elevata accuratezza, o qualsiasi soluzione intermedia, queste funzionalità ti consentono di:
Regolare con precisione l'accuratezza della ricerca per soddisfare i tuoi requisiti
Convalidare i tassi di recall effettivi con una stima integrata
Prendere decisioni basate sui dati sui compromessi di configurazione
Ci impegniamo a continuare a migliorare Zilliz Cloud con funzionalità che rendano la ricerca vettoriale più potente, flessibile e facile da ottimizzare. Questi nuovi parametri sono solo l'inizio del nostro percorso per consentire agli sviluppatori di creare applicazioni eccezionali basate sull'IA.
Pronto a iniziare a ottimizzare le tue ricerche vettoriali? Registrati a Zilliz Cloud oggi stesso oppure accedi al tuo account esistente per esplorare queste nuove funzionalità.
Ken ZhangKen Zhang is a Senior Product Manager at Zilliz, leading the development of the Milvus vector database by setting its strategic direction and key features. Prior to Zilliz, he served as a kernel engineer at SAP HANA and enhanced his product management skills at PingCAP. Ken holds a master's degree from Fudan University and has over eight years of experience specializing in database development and big data infrastructure management.
Chris GaoChris Gao is a senior software engineer at Zilliz, focusing on the vector search engine optimization in the Milvus vector database and Zilliz Cloud. Prior to Zilliz, he served as a software engineer at Bytedance and optimized the execution of Spark ETL jobs. Chris holds a master's degree from Shanghai Jiao Tong University.
Continua a leggere
Demystifying the Milvus Sizing Tool
Explore how to use the Sizing Tool to select the optimal configuration for your Milvus deployment.
Selecting the Right ETL Tools for Unstructured Data to Prepare for AI
Learn the right ETL tools for unstructured data to power AI. Explore key challenges, tool comparisons, and integrations with Milvus for vector search.
DeepSeek-VL2: Mixture-of-Experts Vision-Language Models for Advanced Multimodal Understanding
Explore DeepSeek-VL2, the open-source MoE vision-language model. Discover its architecture, efficient training pipeline, and top-tier performance.