Milvus 2.3の新機能
この度、Milvus 2.3.0をリリースする運びとなりました。このリリースには多くのエキサイティングな新機能と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については、リリースノートをご確認ください。
📦 PyPI: https://pypi.org/project/milvus/
📚 Docs: https://milvus.io/docs
🛠️ リリースノート：https://milvus.io/docs/release_notes.md#v230
🐳 Dockerイメージ：docker pull
🚀 リリース：milvus-2.3.0
🖥️ GPUとARM64による計算のアップグレード：
Nvidia 経由の GPU インデキシング:** QPS は以前の CPU HNSW インデキシングと比較して 3 倍以上向上しました。計算量の多いデータセットでは、ほぼ10倍の性能向上が見られます。
ARM64 Docker Image:** ARM CPUはパフォーマンスを20%向上させ、同時にコスト効率も20%向上させました。
検索とインデックスの強化：
範囲検索:** 入力ベクトルからの定義された距離に基づく ベクトル検索 を可能にする、よりきめ細かい検索メカニズムにより、近接ベースのデータ検索がより直感的になりました。
ScaNN インデックスの統合:** HNSW や IVFFlat と比較して、ScaNN インデックスはパフォーマンスを 20%向上させ、IVFFlat よりも 7 倍高速です。
Milvus](https://zilliz.com/what-is-milvus)2.3はリアルタイムでインデックスを作成し、より迅速なクエリ実行を保証します。
データパイプラインツール：
Pymilvusのイテレータ:** 大量のベクトルのバッチエクスポートが可能。
アップサート・オペレーション:** 一回のリクエストでデータの更新または挿入を同時に行うことができ、データ管理を合理化し、効率を高めます。
CDCサポート：データセンター間のデータ同期を容易にし、増分バックアップを可能にし、スムーズなデータ移行を保証します。
また、システムの操作性、ロードバランシング、クエリーのパフォーマンスも改善しました。いくつかのバグに対処し、'QueryNode'などのコアコンポーネントを最適化しました。メッセージキューシステムは、より効率的になるようにオーバーホールされました。さらに、BirdwatcherやAttuのようなツールは、より良い機能のために更新されました。Milvus 2.3 リリースノートをご覧ください。
クロージングノート
開発者コミュニティに感謝します。皆様の貢献、PR、フィードバックがMilvus 2.3を形作りました。私たちは、あなたがこれらのアップデートをどのように統合していくかを見守り、あなたの継続的なフィードバックを待ち望んでいます。引き続きコーディングしてください！🖥️🔧
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
Announcing the General Availability of Single Sign-On (SSO) on Zilliz Cloud
SSO is GA on Zilliz Cloud, delivering the enterprise-grade identity management capabilities your teams need to deploy vectorDB with confidence.
Announcing the General Availability of Zilliz Cloud BYOC on Google Cloud Platform
Zilliz Cloud BYOC on GCP offers enterprise vector search with full data sovereignty and seamless integration.
Optimizing Embedding Model Selection with TDA Clustering: A Strategic Guide for Vector Databases
Discover how Topological Data Analysis (TDA) reveals hidden embedding model weaknesses and helps optimize vector database performance.