Milvus로 인기 있는 AI 애플리케이션 4가지를 만드는 방법
표지 이미지.
Milvus는 오픈 소스 벡터 데이터베이스입니다. AI 모델을 사용해 비정형 데이터에서 특징 벡터를 추출하여 생성한 대규모 벡터 데이터셋의 추가, 삭제, 업데이트 및 준실시간 검색을 지원합니다. 직관적인 API의 포괄적인 세트와 널리 채택된 여러 인덱스 라이브러리(예: Faiss, NMSLIB, Annoy)에 대한 지원을 통해 Milvus는 머신러닝 애플리케이션 개발과 머신러닝 운영(MLOps)을 가속화합니다. Milvus를 사용하면 비용을 낮은 수준으로 유지하면서 최소 기능 제품(MVP)을 빠르게 개발할 수 있습니다.
“Milvus로 AI 애플리케이션을 개발하는 데 사용할 수 있는 리소스는 무엇인가요?”는 Milvus 커뮤니티에서 자주 묻는 질문입니다. Milvus를 만든 회사인 Zilliz는 Milvus를 활용해 지능형 애플리케이션을 구동하는 초고속 유사도 검색을 수행하는 여러 데모를 개발했습니다. Milvus 솔루션의 소스 코드는 zilliz-bootcamp에서 찾을 수 있습니다. 다음 대화형 시나리오는 자연어 처리(NLP), 역이미지 검색, 오디오 검색, 컴퓨터 비전을 보여줍니다.
특정 시나리오에 대한 실습 경험을 얻기 위해 솔루션을 자유롭게 사용해 보세요! 다음을 통해 여러분만의 애플리케이션 시나리오를 공유하세요:
자연어 처리(챗봇)
Milvus는 자연어 처리를 사용해 실제 상담원을 시뮬레이션하고, 질문에 답하고, 사용자를 관련 정보로 안내하며, 인건비를 줄이는 챗봇을 구축하는 데 사용할 수 있습니다. 이 애플리케이션 시나리오를 보여주기 위해 Zilliz는 Milvus와 NLP 사전 학습을 위해 개발된 머신러닝(ML) 모델인 BERT를 결합하여 의미 언어를 이해하는 AI 기반 챗봇을 구축했습니다.
👉소스 코드：zilliz-bootcamp/intelligent_question_answering_v2
Milvus와 BERT로 구축한 AI 기반 챗봇.
사용 방법
질문-답변 쌍이 포함된 데이터셋을 업로드합니다. 질문과 답변은 두 개의 별도 열로 형식화합니다.
질문을 입력하면 업로드된 데이터셋에서 유사한 질문 목록이 검색됩니다.
본인의 질문과 가장 유사한 질문을 선택하여 답변을 확인합니다.
작동 방식
질문은 Google의 BERT 모델을 사용해 특징 벡터로 변환된 다음, Milvus를 사용해 데이터셋을 관리하고 쿼리합니다.
데이터 처리:
- BERT를 사용해 업로드된 질문-답변 쌍을 768차원 특징 벡터로 변환합니다. 그런 다음 벡터를 Milvus로 가져오고 개별 ID를 할당합니다.
- 질문 및 해당 답변, 벡터 ID는 PostgreSQL에 저장됩니다.
유사한 질문 검색:
- BERT를 사용해 사용자가 입력한 질문에서 특징 벡터를 추출합니다.
- Milvus는 입력 질문과 가장 유사한 질문의 벡터 ID를 검색합니다.
- 시스템은 PostgreSQL에서 해당 답변을 조회합니다.
역이미지 검색 시스템
역이미지 검색은 매출을 높일 수 있는 개인화된 제품 추천과 유사 제품 조회 도구를 통해 전자상거래를 변화시키고 있습니다. 이 애플리케이션 시나리오에서 Zilliz는 Milvus와 이미지 특징을 추출할 수 있는 ML 모델인 VGG를 결합하여 역이미지 검색 시스템을 구축했습니다.
👉소스 코드：zilliz-bootcamp/image_search
Milvus와 VGG로 구축한 역이미지 검색 시스템.
사용 방법
- .jpg 이미지만으로 구성된 압축 이미지 데이터셋을 업로드합니다(다른 이미지 파일 형식은 허용되지 않음).
- 유사한 이미지를 찾기 위한 검색 입력으로 사용할 이미지를 업로드합니다.
👉동영상: [데모] Milvus 기반 이미지 검색
작동 방식
이미지는 VGG 모델을 사용하여 512차원 특징 벡터로 변환된 다음, Milvus를 사용하여 데이터셋을 관리하고 쿼리합니다.
데이터 처리:
- VGG 모델을 사용하여 업로드된 이미지 데이터셋을 특징 벡터로 변환합니다. 그런 다음 벡터를 Milvus로 가져오고 개별 ID를 할당합니다.
- 이미지 특징 벡터와 해당 이미지 파일 경로는 CacheDB에 저장됩니다.
유사한 이미지 검색:
- VGG를 사용하여 사용자가 업로드한 이미지를 특징 벡터로 변환합니다.
- 입력 이미지와 가장 유사한 이미지의 벡터 ID를 Milvus에서 검색합니다.
- 시스템은 CacheDB에서 해당 이미지 파일 경로를 조회합니다.
오디오 검색 시스템
음성, 음악, 음향 효과 및 기타 유형의 오디오 검색을 통해 대량의 오디오 데이터를 빠르게 쿼리하고 유사한 사운드를 찾아낼 수 있습니다. 애플리케이션에는 유사한 음향 효과 식별, IP 침해 최소화 등이 포함됩니다. 이 애플리케이션 시나리오를 시연하기 위해 Zilliz는 Milvus와 PANNs—오디오 패턴 인식을 위해 구축된 대규모 사전 학습 오디오 신경망—를 결합하여 매우 효율적인 오디오 유사도 검색 시스템을 구축했습니다.
👉소스 코드：zilliz-bootcamp/audio_search
Milvus와 PANNs로 구축한 오디오 검색 시스템.
사용 방법
- .wav 파일만으로 구성된 압축 오디오 데이터셋을 업로드합니다(다른 오디오 파일 형식은 허용되지 않음).
- 유사한 오디오를 찾기 위한 검색 입력으로 사용할 .wav 파일을 업로드합니다.
👉동영상: [데모] Milvus 기반 오디오 검색
작동 방식
오디오는 오디오 패턴 인식을 위해 구축된 대규모 사전 학습 오디오 신경망인 PANNs를 사용하여 특징 벡터로 변환됩니다. 그런 다음 Milvus를 사용하여 데이터셋을 관리하고 쿼리합니다.
데이터 처리:
- PANNs는 업로드된 데이터셋의 오디오를 특징 벡터로 변환합니다. 그런 다음 벡터를 Milvus로 가져오고 개별 ID를 할당합니다.
- 오디오 특징 벡터 ID와 해당 .wav 파일 경로는 PostgreSQL에 저장됩니다.
유사한 오디오 검색:
- PANNs를 사용하여 사용자가 업로드한 오디오 파일을 특징 벡터로 변환합니다.
- 업로드된 파일과 가장 유사한 오디오의 벡터 ID를 내적(IP) 거리를 계산하여 Milvus에서 검색합니다.
- 시스템은 MySQL에서 해당 오디오 파일 경로를 조회합니다.
동영상 객체 감지(컴퓨터 비전)
동영상 객체 감지는 컴퓨터 비전, 이미지 검색, 자율 주행 등에 활용됩니다. 이 애플리케이션 시나리오를 시연하기 위해 Zilliz는 OpenCV, YOLOv3, ResNet50 등의 기술과 알고리즘을 포함하여 Milvus와 결합한 동영상 객체 감지 시스템을 구축했습니다.
👉소스 코드: zilliz-bootcamp/video_analysis
Milvus를 사용한 동영상 객체 감지 시스템.
사용 방법
- .jpg 파일만으로 구성된 압축 이미지 데이터셋을 업로드합니다(다른 이미지 파일 형식은 허용되지 않음). 각 이미지 파일의 이름이 해당 이미지가 묘사하는 객체로 지정되어 있는지 확인하세요.
- 분석에 사용할 동영상을 업로드합니다.
- 재생 버튼을 클릭하여 객체 감지 결과가 실시간으로 표시되는 업로드된 동영상을 확인합니다.
👉동영상: [데모] Milvus 기반 동영상 객체 감지 시스템
작동 방식
객체 이미지는 ResNet50을 사용하여 2048차원 특징 벡터로 변환됩니다. 그런 다음 Milvus를 사용하여 데이터 세트를 관리하고 쿼리합니다.
데이터 처리:
- ResNet50은 객체 이미지를 2048차원 특징 벡터로 변환합니다. 그런 다음 벡터를 Milvus로 가져오고 개별 ID를 할당합니다.
- 오디오 특징 벡터 ID와 해당 이미지 파일 경로는 MySQL에 저장됩니다.
비디오에서 객체 감지:
- OpenCV를 사용하여 비디오를 트리밍합니다.
- YOLOv3를 사용하여 비디오에서 객체를 감지합니다.
- ResNet50은 감지된 객체 이미지를 2048차원 특징 벡터로 변환합니다.
Milvus는 업로드된 데이터 세트에서 가장 유사한 객체 이미지를 검색합니다. 해당 객체 이름과 이미지 파일 경로는 MySQL에서 검색됩니다.
계속 읽기
Introducing Zilliz CLI and Agent Skills for Zilliz Cloud
Manage your vector database from your terminal or AI coding agent. Zilliz CLI and Agent Skills work with Claude Code, Cursor, Codex, and Copilot.
How to Improve Retrieval Quality for Japanese Text with Sudachi, Milvus/Zilliz, and AWS Bedrock
Learn how Sudachi normalization and Milvus/Zilliz hybrid search improve Japanese RAG accuracy with BM25 + vector fusion, AWS Bedrock embeddings, and practical code examples.
Our Journey to 35K+ GitHub Stars: The Real Story of Building Milvus from Scratch
Join us in celebrating Milvus, the vector database that hit 35.5K stars on GitHub. Discover our story and how we’re making AI solutions easier for developers.