PoizonがZilliz Cloudを使用して10億規模のベクトル検索でAI搭載ショッピングを加速する方法
90ミリ秒未満のレスポンスタイム
10億規模のベクトル検索向け
総コストを削減
セルフマネージド型のセットアップよりも
3クラスターの複雑性を排除
本番用
イノベーション重視
メンテナンスの代わりに
Poizonについて
Poizonは、アジアで最も急成長しているソーシャルECプラットフォームの1つであり、スニーカーに特化したマーケットプレイスから、包括的なファッションおよびライフスタイルの目的地へと進化しています。毎日数百万人のユーザーにサービスを提供するPoizonは、ビジュアル検索、自動真贋判定、パーソナライズされたレコメンデーション、不正防止など、AIを活用した機能を活用し、シームレスで信頼できるショッピング体験を提供しています。
その舞台裏では、Poizonはマーケットプレイス運営、商品認証、コミュニティ機能を支えるために、膨大な量の視覚データとテキストデータを処理しています。瞬時かつ正確な商品発見を実現することは、競争優位性の中核であり、高性能なベクトル検索は顧客満足度と事業成長に不可欠な基盤となっています。
課題：10億規模のAIワークロードに対応するインフラの構築
Poizonは、複数のミッションクリティカルなシナリオでGenAI技術を活用しています。
画像検索 – ユーザーが画像をアップロードすることで、類似商品を即座に見つけられるようにする
AIを活用した真贋判定 – 高級品の真正性を自動的に検証する
アルゴリズム最適化 – レコメンデーションエンジンと商品発見を強化する
セキュリティとリスク管理 – 不正を防止し、プラットフォームを保護する
これらの各機能は、堅牢なベクトルデータベースインフラに依存しています。Poizonの経営陣は、長期的な競争力が、高速でインテリジェントかつ信頼できるAI主導の体験を提供できるかどうかにかかっていることを認識していました。この目標を達成するために、チームは10億規模のベクトル処理に対応しながら、90ms未満の応答時間を維持できるインフラを必要としていました。これは、ユーザーエンゲージメントに不可欠な性能水準です。
性能とコスト効率を両立するハイブリッドベクトルデータベース戦略
Poizonは、実データを用いてMilvusやQdrantを含むさまざまな選択肢をテストし、典型的なクエリを再現して、2つのレイテンシ目標を測定しました。ミッションクリティカルな経路では90 ms未満、非常に大規模なデータセットでは500 ms未満です。また、インデックスの選択肢（デフォルトとしてのHNSW、大規模/低QPSセット向けのDiskANN）、Kubernetesでのスケーリング、Day 2運用、コミュニティサポートも比較しました。
Milvusの方がより適していました。チームのGoベースのスタックに合致し、Kubernetes上でスムーズにスケールし、トラブルシューティングとナレッジ共有を加速する活発な国内コミュニティがありました。長時間負荷テストでも安定して動作し、チームは必要に応じてツールを適応させることができました。たとえば、問題のあるセグメントをスキップするようにmilvus-backupを調整しました。MilvusはPoizonのベクトルワークロード全体の標準となりました。
規模が拡大するにつれ、Poizonは超低レイテンシを達成する方法を再検討しました。ベンチマーク、トラフィックシャドーイング、A/Bテストにより、明確な使い分けが示されました。DiskANNを備えたセルフマネージドMilvusは、中程度のレイテンシ目標を持つ大規模データセットに最適である一方、マネージドMilvus（Zilliz Cloudとしても知られる）は、運用負荷を抑えながら、10億規模で90 ms未満の基準を一貫して満たします。
Poizonの環境では、セルフマネージドクラスタをさらに強化しても収穫逓減に陥りました。60台のQueryNodeまでスケールした後でも、主にQueryNode–Proxy間の相互作用が原因で、レイテンシは約~200 ms付近で頭打ちになりました。オンプレミスで90 ms未満を達成するには、少なくとも3つの並列クラスタと複雑なマルチリード/マルチライトロジックが必要でした。実現は可能でしたが、コストが高く、運用負荷も大きいものでした。
Milvusは最適な選択肢であることが証明されました。PoizonのGoベースのスタックに合致し、Kubernetes上でスムーズにスケールし、活発なコミュニティに支えられていました。Poizonはハイブリッドアプローチを採用しました。ビジュアル検索やAI認証などのレイテンシが重要なワークロードにはZilliz Cloudを、500 ms未満の安定した性能をコスト効率よく実現するシナリオにはセルフマネージドMilvusを使用し、クラウド規模の速度と運用効率の両方を実現しました。
結果：検索の高速化、よりスリムなアーキテクチャ、さらなるイノベーション
Zilliz Cloudの採用により、PoizonのAI活用型コマースプラットフォーム全体で、即時かつ測定可能な改善が実現しました。
90ms未満のパフォーマンス – Zilliz Cloudは、ビジュアル検索とAI認証に求められる超低レイテンシを一貫して実現しました。これは、セルフマネージドのMilvusでは、60台のQueryNodesまでスケールしても性能が約200msで頭打ちとなり、提供できなかったものです。
よりシンプルで、コスト効率の高いアーキテクチャ – 複雑な3クラスター構成とマルチライト／マルチリードのロジックを不要にすることで、Zilliz Cloudは運用を簡素化しただけでなく、コストも削減しました。このマネージドサービスは、高コストなセルフマネージドの代替手段で実現できたであろう性能を上回りました。
エンジニアリングの注力先をイノベーションへ転換 – インフラのボトルネックが解消されたことで、Poizonのエンジニアリングチームはデータベースのチューニングや保守から離れ、eコマースにおける競争優位性を強化するAI搭載機能の構築に集中できるようになりました。
今後の展望：優れたデータパイプラインの構築
高性能なベクトルデータベース基盤が整ったことで、Poizonは現在、AIイノベーションの次の段階を支える最高水準のデータパイプライン構築に注力しています。
エンジニアリングチームは、自動化された移行および取り込みツールを作成しており、これによりビジネスチームはデータ駆動型アプリケーションに集中でき、DBAはバックグラウンドで量子化と取り込みを管理できます。これにより、手作業による準備の負担なしに、事業部門全体で新しいAI機能の展開が加速します。
同時に、Poizonは社内チームおよびMilvusコミュニティと協力して、MySQLのような上流システムとベクトルデータベース間の整合性を確保するためのデータ一貫性検証ツールを開発しています。これらの取り組みにより、AIパイプライン全体でデータの整合性が保護され、スケーラブルで信頼できるAIイノベーションの基盤が築かれます。
結論
Poizonの歩みは、適切なベクトルデータベース戦略が大規模なAIイノベーションをいかに解き放つかを示しています。パフォーマンスが重要なワークロードにはZilliz Cloudを、コスト最適化が必要なシナリオにはセルフマネージドのMilvusを組み合わせることで、同社はインフラのボトルネックを取り除き、エンジニアが差別化されたAI機能の提供に集中できるようにしました。
AIを活用した体験を追求するeコマース企業にとって、Poizonのハイブリッドアプローチは、インフラが単なる技術的選択ではなく、競争優位性であることを示しています。パフォーマンスと信頼性が保証されれば、画期的なユーザー体験への道は必然のものとなります。