Milvus 2.2.3の新機能
Milvusコミュニティを代表してMilvus 2.2.3のリリースを発表できることを誇りに思います。2.2.3リリースにはいくつかの新機能と多くの改善が含まれています。このブログポストでは、より顕著な機能のいくつかを紹介します。変更点の完全なリストはリリースノートをご確認ください。
- 📦 PyPI: https://pypi.org/project/milvus/
- 📚 ドキュメント: https://milvus.io/docs
- 🛠️ リリースノート: https://milvus.io/docs/release_notes.md#223
- 🐳 Docker Image: docker pull milvusdb/milvus
- リリース: https://github.com/milvus-io/milvus/releases/tag/v2.2.3
このリリースのハイライトの一つは、高可用性システムに不可欠な機能であるローリングアップグレードのサポートの導入です。ローリングアップグレードにより、Milvus のアップグレードを、顕著なサービス停止や最小限のダウンタイムで行うことができます。今回も HA テーマに関連して、Milvus コーディネータがアクティブスタンバイ モードで動作し、30 秒以内の短い障害復旧時間を保証するための Coordinator High Availability (HA) 機能が含まれています。
さらに、以下の機能にもいくつかの改良が加えられました：
- 一括挿入
- メモリー使用量の削減
- モニタリング・メトリクスの最適化
- メタ・ストレージのパフォーマンス向上
なお、Milvus 2.2.3では、コレクション内の最大フィールド数が256から64に削減されました(#22030)。
まとめ 上記の機能に加えて、Milvus 2.2.3 ではいくつかのバグフィックスと改善が行われています。詳しくは
- 変更点の一覧はバージョン2.2.3のリリースノートをご覧ください。
- Milvus](https://hub.docker.com/r/milvusdb/milvus)およびスタートをダウンロードしてください。
Chris ChuriloChris Churilo is the VP of Marketing & Community at Zilliz where she leads all community, developer relations, and marketing efforts. Prior to Zilliz, Chris was a founding member of the InfluxData’s go to market efforts and helped propel the time series database platform to dominance in the market. In earlier roles she defined and designed a SaaS monitoring solution at Centroid, and prior to that she was the VP of product management at iPass and was the LOB for several cloud services that required her to track the business and operational metrics and analytics to help identify and resolve issues.
読み続けて
Zilliz Cloud BYOC Upgrades: Bring Enterprise-Grade Security, Networking Isolation, and More
Discover how Zilliz Cloud BYOC brings enterprise-grade security, networking isolation, and infrastructure automation to vector database deployments in AWS
Knowledge Injection in LLMs: Fine-Tuning and RAG
Explore knowledge injection techniques like fine-tuning and RAG. Compare their effectiveness in improving accuracy, knowledge retention, and task performance.
Enhancing AI Reliability Through Fine-Grained Hallucination Detection and Correction with FAVA
In this blog, we will explore hallucinations, the taxonomy that provides a framework for categorizing them, and how FAVA detects and corrects errors