Novità in Milvus 2.3.4
Nell’ultimo aggiornamento, Milvus 2.3.4, siamo lieti di introdurre diversi miglioramenti che aumentano la disponibilità e l’usabilità della nostra piattaforma di database vettoriale. Pensata per gli sviluppatori, questa release si concentra sulla semplificazione del monitoraggio, dell’importazione dei dati e dell’efficienza della ricerca.
📦 PyPI: https://pypi.org/project/milvus/
📚 Docs: https://milvus.io/docs
🛠️ Note di rilascio: https://milvus.io/docs/release_notes.md#234
🐳 Immagine Docker: docker pull
🚀 Release: Milvus-2.3.4
Punti salienti
📓Log di accesso - L’aggiunta dei log di accesso in Milvus 2.3.4 segna un passo avanti nelle nostre capacità di monitoraggio. Questa funzionalità registra informazioni dettagliate sulle interazioni con le interfacce esterne, come nomi dei metodi, richieste degli utenti, tempi di risposta e codici di errore. È particolarmente utile per sviluppatori e amministratori di sistema che necessitano di approfondimenti più dettagliati sulle prestazioni del sistema e sulle interazioni degli utenti. Questi log sono fondamentali per diagnosticare problemi, ottimizzare le prestazioni e aumentare l’affidabilità del sistema. Attualmente disponibile per le interfacce gRPC, prevediamo di espandere questa funzionalità nei futuri aggiornamenti.
🗂️Supporto per file Parquet - Milvus 2.3.4 ora supporta le importazioni di file Parquet, migliorando le nostre capacità di gestione dei dati. L’efficiente formato di archiviazione colonnare di Parquet è ideale per operazioni sui dati su larga scala, offrendo spesso una compressione migliore e prestazioni di query superiori rispetto ai formati basati su righe come JSON, in particolare con dataset complessi e di grandi dimensioni. La sua capacità di gestire un’ampia gamma di tipi di dati, incluse strutture annidate e complesse, fornisce agli sviluppatori uno strumento versatile per gestire fonti di dati diverse. Questa funzionalità è progettata per offrire agli sviluppatori più opzioni per una gestione dei dati efficiente ed efficace in Milvus.
📖Indice Binlog sui segmenti in crescita - Una funzionalità di rilievo di Milvus 2.3.4 è l’introduzione di un indice Binlog sui segmenti in crescita. Questo miglioramento aumenta l’efficienza della ricerca, consentendo l’uso di tecniche di indicizzazione avanzate come IVF o Fast Scann nei segmenti in crescita di Milvus. È particolarmente prezioso quando i dataset si espandono rapidamente, garantendo che le prestazioni di ricerca tengano il passo con la crescita dei dati. Di conseguenza, le ricerche all’interno dei segmenti in crescita sono ora 10 volte più veloci, migliorando l’esperienza utente e riducendo la latenza.
⬆️Altri miglioramenti: Milvus 2.3.4 include in questa release una serie di miglioramenti in tutta la piattaforma. Abbiamo ampliato il supporto per collection/partition da 4096 a 10.000, rispondendo alle esigenze di ambienti complessi e multi-tenant. Inoltre, questo aggiornamento introduce una maggiore efficienza della memoria, messaggi di errore più chiari, velocità di caricamento dei dati più rapide e un bilanciamento migliorato degli shard di query, offrendo un’esperienza complessiva più fluida ed efficiente.
Invitiamo gli sviluppatori a visitare le nostre note di rilascio per una panoramica completa di tutte le nuove funzionalità e i miglioramenti in Milvus 2.3.4.
Note finali
Con Milvus 2.3.4, il nostro percorso nell’avanzamento della tecnologia dei database vettoriali continua. Questo aggiornamento introduce miglioramenti mirati pensati per le esigenze quotidiane degli sviluppatori. Dalle capacità di ricerca migliorate alle solide opzioni di importazione dei dati, questi strumenti sono progettati per migliorare la tua esperienza con Milvus 🛠️. Siamo curiosi di vedere come questi miglioramenti incrementali faciliteranno i tuoi progetti nei database vettoriali. Continuiamo a innovare e a spingere i confini di ciò che è possibile 🚀🌐.
Continua a leggere
Will Amazon S3 Vectors Kill Vector Databases—or Save Them?
AWS S3 Vectors aims for 90% cost savings for vector storage. But will it kill vectordbs like Milvus? A deep dive into costs, limits, and the future of tiered storage.
The Real Bottlenecks in Autonomous Driving — And How AI Infrastructure Can Solve Them
Autonomous driving faces a data bottleneck. Learn how AI-native vector databases like Zilliz solve scale, cost, and insight challenges across AV pipelines.
AI Agents Are Quietly Transforming E-Commerce — Here’s How
Discover how AI agents transform e-commerce with autonomous decision-making, enhanced product discovery, and vector search capabilities for today's retailers.