Zillizで構築された実世界のAI
ZillizとMilvusを使用して、RAG、検索、レコメンデーション、AIエージェントを本番環境でどのように出荷しているかをご覧ください。あなたのAIスタックに合ったストーリーを見つけよう。
Exa、AIエージェント向けエンティティ検索エンジンを構築
- Productivity
- Semantic Search
- From Pinecone
- 検索レイテンシ <200ms
- Exaのニューラル検索レイテンシがZillizのハイブリッド検索により数秒から200ミリ秒未満に短縮されました
- 高い信頼性
- 運用インシデントをほぼゼロに抑え、エンジニアリングの時間をプロダクト開発に充てられるようにする
- スキーマ変更におけるゼロダウンタイム
- インデックスを再構築したりコレクションをオフラインにしたりすることなく、新しいフィルタリング可能なフィールドとメタデータを追加できます
OpenEvidence、医療AIを強化
- Healthcare
- From Pinecone
- From Elasticsearch
- < 10ミリ秒
- 高い再現率での検索レイテンシ
- 4,000 QPS
- ピーク負荷時のベクトル検索トラフィック
- 800,000以上
- 認証済みの臨床医に質の高い回答を提供
- 2,500万以上
- 毎月のご相談
Filevine：ベクター検索で法的ケース管理を変革
- Legal
- RAG
- Semantic Search
- From Milvus
- From Qdrant
- 30億のベクター
- 何百万ものドキュメントを管理
- セマンティック検索アーキテクチャ
- 正確な用語が異なっていても、文書間の概念を結びつける。
- 60-80%
- 関連するデータポイントの消費、消化、特定にかかる時間の節約
- エンタープライズ・グレードのセキュリティ
- ZillizのSOC 2 Type 2認証は、機密性の高い法律情報の取り扱いに必要な信頼性を提供した。
MiniMax はリアルタイム AI と兆規模の重複排除をどのようにスケールさせているのか
- AI Models
- 5,000+ QPSで30msのレイテンシ
- リアルタイムのおすすめのために
- 3～5倍のコスト削減
- トレーニングデータの重複排除ワークフローにおいて
- LLMデータ前処理で2倍高速
- 従来のMapReduceシステムと比較して
- ペタバイト規模のデータ重複排除
- ネイティブのMinHash + LSHエンジンを使用する
Choosing a vector database for ANN search at Reddit
- Media
- Semantic Search
- ~340M
- Milvus 2.4 test vectors
- 100 QPS
- Query load during ingest
- Ingest isolation
- Less query impact during ingest
- Auto rebalance
- When adding replicas
Consensus、4億以上の学術情報源にわたるエージェント型学術検索を構築
- Productivity
- 4億+
- 検索可能な学術情報源
- ~45 ms
- 本番環境におけるP99デンス検索のレイテンシ
- 14%高い
- セマンティック検索追加後の検索結果の精度
- 4×大きい
- クラスターサイズのわずか2.5倍のベクトルで、レイテンシーのペナルティなし
Airtableがベクトルインフラを構築し、スケールさせた方法
- Productivity
- Semantic Search
- 低レイテンシのクエリ
- 予測可能なパフォーマンスはユーザーの信頼にとって不可欠です
- 高スループットの書き込み
- 基盤は絶えず変化し、埋め込みは同期を保つ必要があります
- 水平スケーラビリティ
- システムは何百万もの独立した基地をサポートしなければならない
Plaud、数十億規模のエージェントメモリを実現
- Productivity
- RAG
- 200 ms
- 平均リコールレイテンシ
- 100億+
- リージョンごとのベクターチャンク、拡張の余地あり
- 日々の中で
- 十億規模の履歴データバックフィル、サービス中断なし
- ゼロダウンタイム
- 常時稼働アプリにおけるスキーマ変更とクラスターアップグレード
Meituanが100億規模の検索プラットフォームを構築し、100以上のユースケースを支える方法
- Ecommerce
- 100億+ ベクトル
- 本番環境では、Milvus上で自己運用
- 1つのコレクションに20億+
- アーキテクチャの再設計なしで成長した最大の単一ワークロード
- P99 8.1 ms
- 1億ベクトル・768次元のベンチマークで、~1,000 QPS、97%超の再現率
- 100+ユースケース
- 共有された一つのMilvusプラットフォーム上で: RAG、エージェントメモリ、など
世界的にトップクラスの音楽プラットフォームが、音声と歌詞から1億以上の楽曲を検索する方法
- Media
- Multimodal Search
- From Elasticsearch
- 1億曲以上のトラック
- カタログ全体が埋め込まれ、ロングテールを含めて検索可能
- 約10ms P99
- 数十億のオーディオエンベディングを対象に、毎秒数百回の検索でマッチングします。
- 音と意味によって
- タイトルだけでなく、ハミング、クリップ、または言い換えた歌詞から曲を探します。
ボッシュ、80％のコスト削減と検索効率の最適化を達成
- Energy
- 80%
- データ収集コストの削減
- ~$1.4M
- 年間保管コストの削減
- ミリ秒レベル
- スケーラブルなアーキテクチャによる数十億のデータポイントの検索
Trip.com Groupが世界中の旅行者にシームレスなホテル検索を提供する方法
- Ecommerce
- よりスマートな、意図駆動型検索
- 旅行者の意図を理解する、正確な多言語ホテル検索結果を提供します—単なるキーワードではありません。
- より迅速なイノベーション、より低いオーバーヘッド
- クラスタ管理とスケーリングのタスクを排除し、チームがイノベーションに集中できるようにします。
- <100 ms レイテンシ最適化
- P99.9の応答時間が100ミリ秒未満の、超高速リアルタイムホテル検索を提供します。
- シームレスなグローバルスケーラビリティ
- エンタープライズレベルの信頼性と低遅延で、数億件のリスティング全体にわたるリアルタイム検索を実現します。
“Zilliz gave us real-time retrieval for our AI search system at scale with tight latency targets. It freed up engineering cycles and let us focus on improving reasoning on the model side, not managing infrastructure.”
“Zilliz Cloud has helped us create a strong foundation behind the scenes as we continue to grow and serve hundreds of thousands of clinicians.”
“Zilliz helps our teams deliver fast, reliable retrieval across complex legal workflows, so customers can find the context they need when it matters.”
“Milvus and Zilliz make it practical to power fast semantic retrieval across meeting intelligence workflows.”
“Zilliz supports high-scale search experiences where latency and reliability are critical.”
“Zilliz gives product teams a strong retrieval foundation for building AI-native workflows on structured and unstructured data.”
“Zilliz helps us match people with the right opportunities through fast, relevant AI search.”