Come Poizon accelera lo shopping basato sull'IA con la ricerca vettoriale su scala miliardaria usando Zilliz Cloud
Tempi di risposta inferiori a 90 ms
per ricerche vettoriali su scala di miliardi
Costo totale inferiore
rispetto a una configurazione autogestita
complessità a 3 cluster eliminata
per la produzione
Orientato all'innovazione
invece della manutenzione
Informazioni su Poizon
Poizon è una delle piattaforme di social e-commerce in più rapida crescita in Asia, evolvendosi da marketplace focalizzato sulle sneaker a destinazione completa per moda e lifestyle. Servendo milioni di utenti ogni giorno, Poizon sfrutta capacità basate sull’AI, tra cui ricerca visiva, verifica automatizzata dell’autenticità, raccomandazioni personalizzate e prevenzione delle frodi, per offrire esperienze di acquisto fluide e affidabili.
Dietro le quinte, Poizon elabora enormi volumi di dati visivi e testuali per alimentare le operazioni del marketplace, l’autenticazione dei prodotti e le funzionalità della community. Offrire una scoperta dei prodotti istantanea e accurata è fondamentale per il suo vantaggio competitivo, rendendo la ricerca vettoriale ad alte prestazioni una base critica per la soddisfazione dei clienti e la crescita del business..
La sfida: costruire un’infrastruttura per workload AI su scala miliardaria
Poizon si affida alle tecnologie GenAI in molteplici scenari mission-critical:
Ricerca per immagini – consentendo agli utenti di trovare istantaneamente prodotti simili tramite caricamenti di immagini
Autenticazione basata sull’AI – verificando automaticamente l’autenticità dei beni di lusso
Ottimizzazione degli algoritmi – rafforzando i motori di raccomandazione e la scoperta dei prodotti
Sicurezza e controllo dei rischi – prevenendo le frodi e proteggendo la piattaforma
Ognuna di queste capacità dipende da una solida infrastruttura di database vettoriale. La leadership di Poizon ha riconosciuto che la sua competitività a lungo termine sarebbe dipesa dall’offrire esperienze rapide, intelligenti e affidabili guidate dall’AI. Per raggiungere questo obiettivo, il team aveva bisogno di un’infrastruttura in grado di gestire operazioni vettoriali su scala miliardaria mantenendo tempi di risposta inferiori a 90 ms—livelli di prestazioni essenziali per il coinvolgimento degli utenti.
Una strategia di database vettoriale ibrida per prestazioni ed efficienza dei costi
Poizon ha testato varie opzioni, tra cui Milvus e Qdrant con dati reali, riproducendo query tipiche e misurando due obiettivi di latenza: meno di 90 ms per i percorsi mission-critical e meno di 500 ms per dataset molto grandi. Hanno inoltre confrontato le scelte di indice—HNSW come impostazione predefinita, DiskANN per set grandi/a basso QPS—oltre alla scalabilità su Kubernetes, alle operazioni day-two e al supporto della community.
Milvus si è rivelato più adatto. Era in linea con lo stack basato su Go del team, scalava in modo pulito su Kubernetes e disponeva di una community domestica attiva che accelerava la risoluzione dei problemi e la condivisione delle conoscenze. Ha funzionato in modo affidabile nei soak test, e il team poteva adattare gli strumenti quando necessario—per esempio, regolando milvus-backup per saltare i segmenti problematici. Milvus è diventato lo standard per tutti i workload vettoriali di Poizon.
Con la crescita della scala, Poizon ha rivalutato come raggiungere una latenza ultra-bassa. Benchmark, shadowing del traffico e test A/B hanno mostrato una chiara distinzione: Milvus self-managed con DiskANN è ideale per grandi dataset con obiettivi di latenza moderati, mentre Milvus gestito (noto anche come Zilliz Cloud) soddisfa costantemente la soglia inferiore a 90 ms su scala miliardaria con meno sforzo operativo.
Nell’ambiente di Poizon, spingere ulteriormente i cluster self-managed ha portato a rendimenti decrescenti—la latenza si è stabilizzata intorno a ~200 ms anche dopo lo scaling a 60 QueryNodes, in gran parte a causa delle interazioni QueryNode–Proxy. Raggiungere meno di 90 ms on-prem avrebbe richiesto almeno tre cluster paralleli e una logica complessa multi-read/multi-write—possibile, ma costosa e pesante da gestire.
Milvus si è dimostrato la soluzione migliore—in linea con lo stack basato su Go di Poizon, scalando senza problemi su Kubernetes e supportato da una community attiva. Poizon ha adottato un approccio ibrido: Zilliz Cloud per i workload critici in termini di latenza (come la ricerca visiva e l’autenticazione AI) e Milvus self-managed per scenari efficienti in termini di costi con prestazioni stabili sotto i 500 ms—offrendo sia velocità su scala cloud sia efficienza operativa.
I risultati: ricerca più rapida, architettura più snella, maggiore innovazione
L’adozione di Zilliz Cloud ha prodotto miglioramenti immediati e misurabili su tutta la piattaforma di commercio basata sull’AI di Poizon:
Prestazioni inferiori a 90 ms – Zilliz Cloud ha costantemente raggiunto la latenza ultra-bassa richiesta per la ricerca visiva e l’autenticazione AI—qualcosa che Milvus autogestito non riusciva a offrire, nemmeno dopo lo scaling fino a 60 QueryNodes, dove le prestazioni si erano stabilizzate a ~200 ms.
Architettura più semplice e più conveniente – Eliminando la necessità di una complessa configurazione a tre cluster e di logiche multi-write/multi-read, Zilliz Cloud non solo ha semplificato le operazioni, ma ha anche ridotto i costi. Il servizio gestito ha superato ciò che un’alternativa autogestita costosa avrebbe potuto ottenere.
Focus dell’ingegneria reindirizzato verso l’innovazione – Con i colli di bottiglia dell’infrastruttura risolti, il team di ingegneria di Poizon si è allontanato dall’ottimizzazione e dalla manutenzione del database, concentrandosi invece sulla creazione delle funzionalità basate sull’AI che rafforzano il loro vantaggio competitivo nell’e-commerce.
Guardando al futuro: costruire l’eccellenza nella data pipeline
Con una base di database vettoriale ad alte prestazioni in atto, Poizon è ora focalizzata sulla costruzione di una data pipeline best-in-class per alimentare la prossima fase dell’innovazione AI.
Il team di ingegneria sta creando strumenti automatizzati di migrazione e ingestion che consentiranno ai team aziendali di concentrarsi sulle applicazioni data-driven, mentre i DBA gestiranno la quantizzazione e l’ingestion dietro le quinte. Questo accelererà il rollout di nuove funzionalità AI nelle unità aziendali senza l’onere della preparazione manuale.
In parallelo, Poizon sta sviluppando strumenti di validazione della coerenza dei dati—insieme ai team interni e alla community Milvus—per garantire l’allineamento tra sistemi upstream come MySQL e i loro database vettoriali. Questi sforzi salvaguarderanno l’integrità dei dati lungo la pipeline AI, gettando le basi per un’innovazione AI scalabile e affidabile.
Conclusione
Il percorso di Poizon illustra come la giusta strategia di database vettoriale possa sbloccare l’innovazione AI su larga scala. Combinando Zilliz Cloud per i carichi di lavoro critici in termini di prestazioni con Milvus autogestito per scenari ottimizzati sui costi, l’azienda ha eliminato i colli di bottiglia dell’infrastruttura e ha liberato i suoi ingegneri affinché si concentrassero sulla realizzazione di funzionalità AI differenziate.
Per le aziende di e-commerce che perseguono esperienze basate sull’AI, l’approccio ibrido di Poizon dimostra che l’infrastruttura non è solo una scelta tecnica—è un vantaggio competitivo. Con prestazioni e affidabilità garantite, il percorso verso esperienze utente rivoluzionarie diventa inevitabile.
- Informazioni su Poizon
- La sfida: costruire un’infrastruttura per workload AI su scala miliardaria
- Una strategia di database vettoriale ibrida per prestazioni ed efficienza dei costi
- I risultati: ricerca più rapida, architettura più snella, maggiore innovazione
- Guardando al futuro: costruire l’eccellenza nella data pipeline
- Conclusione
Contenuto
Caso d'Uso
Settore
Commercio elettronico