Cosa c’è di nuovo in Milvus 2.4.0?
Siamo entusiasti di presentare Milvus 2.4, una pietra miliare nel nostro percorso per potenziare le capacità di ricerca su vasti dataset. Questa versione accelera l’efficienza della ricerca e amplia i nostri orizzonti verso una piattaforma di ricerca unificata, in grado di soddisfare diversi casi d’uso di ricerca con velocità e precisione senza pari. I nostri sforzi per supportare la ricerca accelerata e unificata riflettono il nostro impegno nel fornire una soluzione solida e scalabile per la gestione e l’interrogazione dei dati vettoriali.
📚 Docs: https://milvus.io/docs
🛠️ Note di rilascio: https://milvus.io/docs/release_notes.md#240
🐳 Immagine Docker: docker pull
🚀 Rilascio: Milvus-2.4.0
Punti salienti
🚀 Supporto all’indice CAGRA — Milvus 2.4 introduce il supporto per l’indice CAGRA di NVIDIA, stabilendo un nuovo standard nell’indicizzazione a grafo accelerata da GPU per applicazioni di ricerca che richiedono una latenza estremamente bassa. Superando l’indice HNSW standard di settore, CAGRA dimostra efficienza e velocità eccezionali, anche per batch di piccole dimensioni. I suoi vantaggi diventano ancora più evidenti con batch più grandi, rispondendo ai requisiti degli ambienti ad alto throughput. Inoltre, Milvus integra opzioni di ricerca brute-force con CAGRA per casi d’uso in cui ottenere il recall più alto possibile è essenziale. Gli sviluppatori possono consultare la documentazione per iniziare a sfruttare le capacità dell’indice GPU CAGRA.
Milvus raft cagra vs milvus hnsw
🔍 Ricerca multi-vettoriale — L’aggiunta della ricerca multi-vettoriale in Milvus 2.4 migliora lo sviluppo di applicazioni IA consentendo la gestione di più ricerche vettoriali e il reranking all’interno del suo framework. Questo semplifica la gestione delle ricerche multimodali e migliora il recall nel recupero delle informazioni. La capacità di archiviare e interrogare più vettori per una singola entità all’interno di una collection rende più semplice modellare i dati in modo naturale ed efficiente per le applicazioni reali. Questa funzionalità rende inoltre immediata l’integrazione e l’ottimizzazione di modelli personalizzati di reranking, supportando lo sviluppo di funzionalità di ricerca avanzate, come sistemi di raccomandazione accurati che sfruttano insight provenienti da dati multidimensionali.
Come funziona la funzionalità di ricerca multi-vettoriale
🧮 Ricerca con raggruppamento — Un altro punto saliente di Milvus 2.4 è la funzionalità di ricerca con raggruppamento, che migliora l’efficienza nell’uso delle risorse di calcolo e la produttività degli sviluppatori per le query di ricerca raggruppate. Questa funzionalità affronta le sfide dell’interrogazione di grandi dataset, come documenti o video segmentati in chunk o frame vettorializzati. In precedenza, aggregare i risultati di ricerca per attributi era macchinoso e richiedeva estese risorse di calcolo e complessi workaround di programmazione. Ora, la ricerca con raggruppamento consente un’aggregazione immediata, permettendo agli utenti di recuperare direttamente i risultati migliori in base ai campi raggruppati.
Esempio: ricerca di libri che contengono "harry potter"
🔮 Supporto per vettori sparsi (beta) — Con grande attesa, il supporto beta per gli embedding vettoriali sparsi è disponibile in Milvus 2.4, consentendo ricerche ANN efficienti e semanticamente ricche. Questa funzionalità è progettata per embedding provenienti da modelli neurali come SPLADEv2 e da modelli statistici come BM25, migliorando le capacità di ricerca oltre le tradizionali ricerche per parole chiave, concentrandosi sulla somiglianza semantica. Prevista per la disponibilità generale in seguito, questa fase beta mira a ottimizzare le prestazioni e l’integrazione all’interno dell’ecosistema di Milvus. Apre nuove strade per la ricerca ibrida—unendo strategie basate su parole chiave ed embedding—per aumentare significativamente l’accuratezza della ricerca testuale. Ideale per gli utenti che stanno passando da sistemi basati su parole chiave e cercano una maggiore accuratezza della ricerca senza necessità di personalizzazione approfondita, il supporto per vettori sparsi spinge Milvus verso metodologie di ricerca testuale ibrida più sfumate.
⬆️ Altri miglioramenti chiave — Milvus 2.4 introduce molte altre nuove funzionalità e miglioramenti, tra cui il supporto alle espressioni regolari per una corrispondenza avanzata delle sottostringhe nel filtraggio dei metadati, un nuovo indice invertito scalare per un filtraggio più efficiente dei tipi di dati scalari (grazie a Tantivy) e uno strumento Change Data Capture per monitorare e replicare le modifiche nelle collection di Milvus. Insieme, questi aggiornamenti migliorano significativamente le prestazioni e la versatilità di Milvus per operazioni complesse sui dati.
Per iniziare
Ti interessa esplorare Milvus 2.4.0? Inizia con le note di rilascio per una panoramica delle nuove funzionalità e dei miglioramenti. Partecipa al nostro prossimo webinar con James Luan, VP of Engineering di Zilliz, per una discussione approfondita sulle capacità di Milvus 2.4.0. Pronto a vedere le modifiche in prima persona? Scarica Milvus 2.4.0 e inizia a integrare questi miglioramenti nei tuoi progetti.
Continua a leggere
Why We Built Vector Lakebase: Rethinking Unstructured Data Architecture for AI
Vector Lakebase: a unified, lake-native data foundation for AI workloads — and an answer to what happens after vector databases succeed.
A Developer's Guide to Exploring Milvus 2.6 Features on Zilliz Cloud
Milvus 2.6 marks a shift from “vector search + glue code” to a more advanced retrieval engine, and it is now Generally Available (GA) on Zilliz Cloud (a managed Milvus service).
DeepRAG: Thinking to Retrieval Step by Step for Large Language Models
Discover DeepRAG, an advanced retrieval-augmented generation (RAG) model that improves LLM accuracy by retrieving only essential data through step-by-step reasoning.