Milvus 2.4.0の新機能は？
私たちは、膨大なデータセットの検索機能を強化するためのマイルストーンとなるMilvus 2.4を発表できることを嬉しく思います。このバージョンは、検索効率を加速させ、多様な検索ユースケースを比類のないスピードと精度で実現できる統合検索プラットフォームに向けて視野を広げます。加速された統一検索をサポートするための我々の努力は、堅牢でスケーラブルなベクトルデータ管理とクエリソリューションの提供に対する我々の献身を反映しています。
📚 Docs：https://milvus.io/docs
🛠️ リリースノートhttps://milvus.io/docs/release_notes.md#240
🐳 Docker Image：docker pull
🚀 リリース：Milvus-2.4.0
ハイライト
🚀 CAGRA Index Support - Milvus 2.4はNVIDIAのCAGRA Indexのサポートを導入し、極めて低レイテンシを必要とする検索アプリケーションのためのGPUアクセラレーテッドグラフインデキシングの新たな標準を打ち立てます。業界標準のHNSWインデックスを凌駕するCAGRAは、小さなバッチサイズであっても卓越した効率と速度を発揮します。CAGRAの利点はバッチサイズが大きくなるほど顕著になり、高スループット環境の要件に対応します。さらに、Milvusは、可能な限り高い想起率を達成することが不可欠なユースケースのために、CAGRAにブルートフォース検索オプションを組み込んでいます。開発者はドキュメントを参照し、CAGRA GPUインデックス機能の活用を始めることができます。
Milvus raft cagra vs milvus hnsw](https://assets.zilliz.com/Milvus_raft_cagra_vs_milvus_hnsw_ffe0415ff5.png)
ᔍ マルチベクトル検索 - Milvus 2.4のマルチベクトル検索の追加は、フレームワーク内で複数のベクトル検索と再ランク付けの管理を可能にすることで、AIアプリケーション開発を強化します。これにより、マルチモーダル検索の取り扱いが簡素化され、情報検索の再現性が向上します。コレクション内の1つのエンティティに対して複数のベクトルを保存してクエリできるため、実世界のアプリケーションにとって自然で効率的な方法でデータをモデル化することが容易になります。また、この機能により、カスタムリランクモデルの統合と最適化が容易になり、多次元データからの洞察を活用する正確なレコメンダーシステムのような高度な検索機能の開発がサポートされます。
マルチベクトル検索機能の仕組み](https://assets.zilliz.com/How_the_multi_vector_search_feature_works_6c85961349.png)
🧮 グループ化検索 - Milvus 2.4のもう一つのハイライトはグループ化検索機能で、グループ化された検索クエリの計算リソースの効率と開発者の生産性を向上させます。この機能は、ベクトル化されたチャンクやフレームに分割されたドキュメントやビデオのような大規模なデータセットに対するクエリの課題に対処するものです。以前は、属性ごとに検索結果を集約するのは面倒で、膨大な計算リソースと複雑なコーディングの回避策が必要でした。現在では、グループ化検索によって単純な集計が可能になり、ユーザーはグループ化されたフィールドによって上位の検索結果を直接取得することができます。
例-"harry potter "を含む書籍を検索](https://assets.zilliz.com/Example_search_books_contain_harry_potter_f30817d2e4.png)
ᔮ Sparse Vector Support (beta) - 多くの期待に応えて、Milvus 2.4ではスパースベクトルの埋め込みがベータ版としてサポートされ、効率的で意味リッチなANN検索が可能になりました。この機能は、SPLADEv2のようなニューラル・モデルやBM25のような統計モデルからの埋め込み用に設計されており、意味的類似性に焦点を当てることで、従来のキーワード検索を超える検索機能を強化します。後に一般提供される予定のこのベータ版は、Milvusのエコシステム内でのパフォーマンスと統合を最適化することを目的としている。キーワード検索と埋め込み検索を組み合わせたハイブリッド検索の新たな道を開き、テキスト検索の精度を大幅に向上させる。キーワードベースのシステムから移行し、深いカスタマイズを必要とせずに検索精度の向上を求めるユーザーにとって理想的なスパースベクトルサポートは、Milvusをよりニュアンスのあるハイブリッドなテキスト検索手法へと導きます。
⬆️ その他の主な機能強化 - Milvus 2.4 では、メタデータフィルタリングにおける部分文字列のマッチングを強化するための正規表現のサポート、より効率的なスカラーデータタイプのフィルタリングのための新しいスカラー転置インデックス（Tantivyに感謝）、Milvus コレクションの変更を監視および複製するための変更データキャプチャツールなど、その他多くの新機能および機能強化が行われました。これらのアップデートにより、Milvusのパフォーマンスと複雑なデータ操作に対する汎用性が大幅に向上しました。
はじめに
Milvus 2.4.0に興味をお持ちですか？まずはリリースノートで新機能と改善点の概要をご覧ください。Zillizのエンジニアリング担当副社長であるJames LuanがMilvus 2.4.0の機能について詳しく説明する近日開催予定のウェビナーにご参加ください。変更点を直接ご覧になりたいですか？Milvus 2.4.0をダウンロードし、これらの機能強化をプロジェクトに組み込んでください。
Steffi LiSteffi is the Director of Product Marketing at Zilliz, with prior experience leading the GTM strategies for open-source data technologies such as Apache Kafka and Apache Airflow. Passionate about travel, yoga, and non-fiction reading, she brings a balanced and enriched worldview to her professional pursuits.
読み続けて
Zilliz Cloud Enterprise Vector Search Powers High-Performance AI on AWS
Zilliz Cloud on AWS powers secure, scalable, ultra-fast vector search for enterprise AI apps, with BYOC, sub-10ms latency, and zero-DevOps simplicity.
Democratizing AI: Making Vector Search Powerful and Affordable
Zilliz democratizes AI vector search with Milvus 2.6 and Zilliz Cloud for powerful, affordable scalability, cutting costs in infrastructure, operations, and development.
Vector Databases vs. Graph Databases
Use a vector database for AI-powered similarity search; use a graph database for complex relationship-based queries and network analysis.