Milvus 2.3 Beta e aggiornamenti Enterprise su Zilliz Cloud
Zilliz Cloud offre ora la versione beta di Milvus 2.3, segnando un aggiornamento significativo nella tecnologia dei database vettoriali. Questa versione introduce funzionalità pensate per migliorare i processi di gestione e interrogazione dei dati per gli sviluppatori. Parallelamente, Zilliz Cloud sta introducendo nuove funzionalità orientate alle aziende, a conferma dell’impegno nel supportare soluzioni dati scalabili e robuste in ambienti professionali.
Punti salienti delle funzionalità disponibili di Milvus 2.3
Milvus 2.3, disponibile in beta su Zilliz Cloud, introduce diverse funzionalità chiave che rivoluzionano le interazioni con i database vettoriali.
L’integrazione della similarità del coseno in Milvus 2.3 porta capacità avanzate nei calcoli di similarità, eliminando la necessità di una precedente normalizzazione dei vettori e semplificando i processi di ricerca. La nuova funzionalità Range Search amplia l’ambito delle query vettoriali, offrendo metodi di recupero dei dati più accurati e diversificati, il che è particolarmente vantaggioso per i motori di raccomandazione. La funzionalità Upsert, un’aggiunta significativa, semplifica la gestione dei dati. Migliora l’efficienza nell’aggiornamento e nella manipolazione dei dataset, un vantaggio fondamentale in ambienti dinamici in cui la coerenza e l’atomicità dei dati sono essenziali.
Consulta la documentazione per maggiori dettagli su funzionalità aggiuntive come la restituzione di vettori grezzi, il filtro JSON_CONTAINS, il conteggio delle entità e altro ancora.
Funzionalità enterprise migliorate
In parallelo a questi progressi nella ricerca vettoriale AI-native, Zilliz Cloud ha introdotto importanti aggiornamenti nelle funzionalità enterprise. Il sistema avanzato di Role-Based Access Control (RBAC) ora include nuovi ruoli dei membri del progetto, consentendo un controllo degli accessi più personalizzato e migliorando la sicurezza a livello di progetto. La disponibilità generale della regione AWS EU Frankfurt amplia le opzioni geografiche, rispondendo a diverse esigenze tecniche e normative. Inoltre, l’introduzione della funzionalità Self-Service Account and Organization Deletion offre agli utenti maggiore controllo e flessibilità nella gestione degli account. Questi miglioramenti, insieme ad altri progressi in termini di stabilità ed esperienza utente, evidenziano l’adattabilità e la potenza di Zilliz Cloud nel soddisfare requisiti enterprise diversificati.
Disponibilità di Zilliz Cloud su Azure
Zilliz Cloud è ora disponibile su Microsoft Azure, con debutto nella regione azure-east-us. Questa espansione offre agli sviluppatori e alle aziende Azure una nuova scelta per la gestione dei carichi di lavoro dei database vettoriali. Questa mossa segna inoltre il completamento della disponibilità di Zilliz Cloud sulle principali piattaforme cloud, tra cui AWS e Google Cloud.
Il nostro impegno verso Azure va oltre questo traguardo, con miglioramenti imminenti, come l’espansione in nuove regioni Azure, offrendo maggiore flessibilità per distribuire Zilliz Cloud in base alle tue esigenze. Inoltre, Zilliz Cloud sarà presto accessibile su Azure Marketplace, semplificando i processi di gestione e pagamento.
Conclusione
Il tuo feedback è fondamentale per l’evoluzione di Milvus e Zilliz Cloud. Invitiamo la nostra community di sviluppatori a condividere le proprie opinioni e richieste di funzionalità tramite il nostro canale Discord o contattandoci direttamente. I tuoi contributi sono essenziali per plasmare il futuro della nostra tecnologia di database vettoriali. Collaboriamo per creare le soluzioni dati più efficaci e incentrate sull’utente.
Continua a leggere
Vector Lakebase: End the AI Data Silo
Learn how Vector Lakebase unifies vector search, data lakes, and AI data operations so teams can serve RAG and agents without copy-and-sync pipelines.
Why Context Engineering Is Becoming the Full Stack of AI Agents
Discover how context engineering unifies prompts, RAG, and tools to build smarter, production-ready AI agents powered by Milvus.
Vector Databases vs. Document Databases
Use a vector database for similarity search and AI-powered applications; use a document database for flexible schema and JSON-like data storage.