Novità in Milvus 2.3
Siamo entusiasti di annunciare il rilascio di Milvus 2.3.0. Questa release contiene molte nuove funzionalità e miglioramenti entusiasmanti. Questo post del blog metterà in evidenza alcune delle funzionalità più importanti. Per un elenco completo delle modifiche, assicurati di consultare le note di rilascio.
📦 PyPI: https://pypi.org/project/milvus/
📚 Documentazione: https://milvus.io/docs
🛠️ Note di rilascio: https://milvus.io/docs/release_notes.md#v230
🐳 Immagine Docker: docker pull
🚀 Release: milvus-2.3.0
🖥️ Aggiornamenti computazionali con GPU e ARM64:
Indicizzazione GPU tramite Nvidia: Il QPS è migliorato di oltre tre volte rispetto alla precedente indicizzazione HNSW su CPU. Per i dataset a elevata intensità computazionale, si registra un aumento delle prestazioni di quasi dieci volte.
Immagine Docker ARM64: Le CPU ARM offrono un incremento delle prestazioni del 20% pur essendo il 20% più convenienti in termini di costi.
🔎 Miglioramenti della ricerca e dell’indicizzazione:
Range Search: Un meccanismo di ricerca più granulare che consente il recupero vettoriale in base a distanze definite da un vettore di input, rendendo più intuitivi i recuperi di dati basati sulla prossimità.
Integrazione dell’indice ScaNN: Rispetto a HNSW o IVFFlat, l’indice ScaNN offre un miglioramento delle prestazioni del 20% ed è sette volte più veloce di IVFFlat.
Growing Index: Man mano che i dati vengono trasmessi, Milvus 2.3 li indicizza in tempo reale, garantendo esecuzioni delle query più rapide.
🔀 Strumenti per pipeline di dati:
Iterator in Pymilvus: Consente l’esportazione in batch di grandi quantità di vettori, particolarmente utile quando si gestiscono dati nell’ordine delle decine di migliaia.
Operazione Upsert: Aggiornamento o inserimento simultaneo di dati in una singola richiesta, semplificando la gestione dei dati e migliorando l’efficienza.
Supporto CDC: Facilita la sincronizzazione dei dati tra data center, consente backup incrementali e assicura una migrazione dei dati fluida.
Abbiamo anche migliorato l’operatività del sistema, il bilanciamento del carico e le prestazioni delle query. Sono stati risolti diversi bug e abbiamo ottimizzato componenti fondamentali come il ‘QueryNode’. Il nostro sistema di code di messaggi è stato riprogettato per una maggiore efficienza. Inoltre, strumenti come Birdwatcher e Attu sono stati aggiornati per una migliore funzionalità. Consulta le note di rilascio di Milvus 2.3 per una panoramica completa.
Note finali:
Un grande grazie alla nostra community di sviluppatori. I vostri contributi, PR e feedback hanno plasmato Milvus 2.3. Siamo impazienti di vedere come integrerete questi aggiornamenti e attendiamo i vostri continui feedback. Continuate a programmare! 🖥️🔧
Continua a leggere
From Vector Database to Vector Lakebase
Zilliz offers a fully managed Vector Lakebase powered by Milvus, unifying real-time vector search, lake-scale discovery, and Al data operations.
How Zilliz Saw the Future of Vector Databases—and Built for Production
An inside look at how Zilliz built vector databases for real-world use, focusing on scalability, stability, and running them reliably at scale.
Zilliz Cloud Launches in AWS Australia, Expanding Global Reach to Australia and Neighboring Markets
We're thrilled to announce that Zilliz Cloud is now available in the AWS Sydney, Australia region (ap-southeast-2).