블로그
정밀도와 성능의 균형: Zilliz Cloud의 새로운 매개변수가 벡터 검색 최적화를 돕는 방법

정밀도와 성능의 균형: Zilliz Cloud의 새로운 매개변수가 벡터 검색 최적화를 돕는 방법

Apr 09, 20257 min read

소개

지난 몇 년 동안 대규모 언어 모델(LLMs)과 벡터 데이터베이스는 이커머스 추천부터 안면 인식 및 RAG 시스템에 이르기까지 수많은 AI 기반 애플리케이션의 중추가 되었습니다. 그러나 이러한 다양한 사용 사례에는 공통된 과제가 있습니다. 검색 정확도(재현율)와 성능(지연 시간 및 처리량) 사이의 균형을 어떻게 맞출 것인가?

이것이 바로 Milvus를 기반으로 구축된 완전 관리형 벡터 데이터베이스인 Zilliz Cloud의 최신 릴리스에서 두 가지 강력한 새 기능을 소개하게 되어 기쁜 이유입니다.

level 매개변수 - 검색 정확도를 미세 조정할 수 있는 간단하면서도 강력한 조절 장치
enable_recall_calculation 매개변수 - 재현율을 추정하고 검증하기 위한 내장 도구

이러한 추가 기능은 개발자가 특정 사용 사례에 맞는 완벽한 균형을 찾을 수 있도록 지원합니다. 번개처럼 빠른 추천이 필요하든 매우 정확한 보안 애플리케이션이 필요하든 말입니다. 이 블로그에서는 이러한 기능을 활용하여 벡터 검색 구현을 최적화하는 방법을 정확히 보여드리겠습니다.

다양한 사용 사례, 다양한 요구 사항

벡터 검색이 산업 전반에 확산되면서, 애플리케이션마다 재현율, 지연 시간, 초당 쿼리 수(QPS)에 대한 요구 사항이 크게 다르다는 것을 확인했습니다. 서로 대조되는 두 가지 예를 살펴보겠습니다.

안면 인식: 정확도는 타협할 수 없음

안면 인식 시스템, 특히 보안 환경에서는 완전히 다른 요구 사항을 가집니다. 이러한 시스템은 오탐(보안 침해)과 미탐(정당한 사용자의 거부)을 모두 방지하기 위해 권한이 있는 사용자를 정확하게 식별해야 합니다.

이러한 시스템에는 다음이 필요합니다.

정확한 식별을 위한 매우 높은 재현율(99%+)
중간 수준의 지연 시간 허용(사용자는 짧은 확인 지연을 수용함)
더 낮은 QPS 요구(확인은 비교적 드물게 발생하는 작업)

오식별의 결과는 중대하므로, 어느 정도의 성능을 희생하더라도 정확도는 타협할 수 없는 우선순위가 됩니다.

공통점: 균형 찾기

이처럼 대조적인 예는 벡터 검색 구성에 대한 획일적인 접근 방식이 왜 부족한지를 보여줍니다. 모든 애플리케이션은 이 스펙트럼의 어딘가에 위치하며, 비즈니스 요구 사항에 따라 재현율, 지연 시간, QPS를 신중하게 최적화해야 합니다.

이것이 바로 개발자에게 최적의 균형을 찾을 수 있는 도구를 제공하기 위해 level 및 enable_recall_calculation 매개변수를 도입한 이유입니다.

Zilliz Cloud의 정밀 튜닝 기능 소개

`level` 매개변수: 검색 정확도 미세 조정

level 매개변수는 1에서 10까지의 값으로, 검색 정확도에 대한 간단하면서도 강력한 제어 기능을 제공합니다:

레벨 값	적합한 용도	일반적인 Recall	성능 영향
낮음 (1-3)	성능 중심 애플리케이션	90-97%	지연 시간 영향 최소, 최고 QPS
중간 (4-7)	균형 잡힌 애플리케이션	97-99.5%	중간 정도의 지연 시간 영향, 양호한 QPS
높음 (8-10)	정확도가 중요한 애플리케이션	99.5%+	더 높은 지연 시간, 감소된 QPS

사용자 피드백을 바탕으로 상한을 5에서 10으로 확장하여 보안, 리스크 제어 및 기타 여러 정확도가 요구되는 시나리오에서 더 높은 정밀도를 제공할 수 있게 했습니다.

Recall 비율이 높다고 해서 항상 사용 사례에 좋은 것은 아니라는 점에 유의하세요. 예를 들어 level=3 또는 5가 요구 사항을 충족한다면, 레벨을 더 높이는 것은 불필요한 리소스 사용과 더 높은 지연 시간만 초래할 수 있습니다.

`enable_recall_calculation` 매개변수: 정확도 검증하기

level 매개변수가 검색 정확도를 조정하는 동안, 목표 Recall 비율에 도달하고 있는지는 어떻게 확인할 수 있을까요? 바로 이때 enable_recall_calculation이 필요합니다.

검색 작업 중 활성화되면 이 매개변수는 다음을 수행합니다:

현재 구성의 실제 Recall 비율을 추정합니다
이 값을 검색 결과와 함께 반환합니다
구성 변경에 대한 데이터 기반 의사 결정을 가능하게 합니다

이 일회성 계산은 외부 벤치마킹 도구 없이도 현재 설정이 정확도 요구 사항을 충족하는지 검증하는 데 도움이 됩니다.

실제 구현: 단계별 가이드

이러한 새로운 기능으로 벡터 검색 구현을 최적화하는 실제 예시를 살펴보겠습니다.

사전 요구 사항

Zilliz Cloud 인스턴스(아직 없다면 여기에서 가입)
PyMilvus 2.5.4 이상
테스트 데이터셋(이 예제에서는 cohere-1M 데이터셋을 사용합니다)

1단계: 요구 사항 정의

매개변수 튜닝을 시작하기 전에 요구 사항을 명확히 정의하세요:

목표 Recall 비율: 99.5%
허용 가능한 최대 지연 시간: 5ms
기타 고려 사항: QPS, 리소스 사용률
쿼리 패턴: 순수 벡터 검색
TopK: 16,000

2단계: 테스트 데이터 가져오기

정확한 테스트를 위해서는 프로덕션 환경과 매우 유사한 데이터를 사용해야 합니다. 이 예제에서는 cohere-1M 데이터셋을 사용하고 VectorDBBench를 통해 Zilliz Cloud로 가져옵니다.

3단계: 기준 Recall 비율 추정

먼저 기본 설정(level=1)이 어떻게 동작하는지 확인해 보겠습니다:

search_params = {
    "params": {
        "level": 1,
        "enable_recall_calculation": True
    }
}

res = client.search(
    collection_name = "ZillizCloudVectorDBBench", 
    # 테스트 데이터 
    data = [
        [0.22252834,0.26758388,0.3414864,0.31775144,0.25819996,-0.06176423,0.60313016,-0.31930527,-0.05070293,0.80085576,-0.7066278,-0.14704825,0.07324219,-0.051405758,0.24823247,0.20365287,-0.005265507,0.24754052,0.06302843,-0.24397966,-0.2805658,0.543768,0.018544307,0.14154078,0.03093845,-0.25058296,-0.61569184,0.08389459,-0.27519965,0.2121497,0.26527727,-0.03291658,-0.2631627,0.026973603,-0.22165383,0.38862047,0.012616088,-0.066382475,-0.013436819,-0.59001106,-0.08682751,0.13704056,0.08583454,0.0802483,0.01096984,0.20214474,0.11156094,0.5482859,-0.0807617,-0.16539982,-0.29261217,0.08269717,0.03385099,-0.48874223,-0.013168857,0.01616468,-0.6270225,0.13169415,1.0166928,0.6573267,0.40487188,0.2235163,-0.68331105,-0.24911362,-0.1763628,0.34692895,0.077760294,0.96388775,-0.10841275,0.3977706,0.08965021,0.29019687,0.106024966,0.11854912,-0.070255764,-0.24960922,-0.5354312,-0.70186704,0.25364435,0.43369204,0.42516047,0.15078346,-0.35151976,0.4886603,0.37026608,0.39485633,-0.046821307,0.18807457,0.13850202,-0.15630293,0.1469321,0.13219471,-0.31201053,0.22278261,-0.23063508,0.42379102,0.66762435,-0.11903275,0.22101034,-0.10102379,0.21675844,-0.2571628,-0.26546052,0.6185626,0.241754,-0.15792729,-0.37045696,0.23996626,-0.27011713,-0.11512929,0.31577003,0.11118326,-0.76019096,-0.1682175,0.5329204,0.3614348,-0.2348311,0.108711846,0.068240434,-1.3124024,0.20385003,0.6049856,-0.2924265,-0.07293733,0.5181119,0.15742214,0.7537572,-0.656809,0.57201636,0.09775318,0.5414663,-0.53804034,-0.0802571,0.62367904,0.023681821,0.6950041,0.3207407,0.36089638,0.53875273,-0.7288189,-0.12956187,0.15076943,0.057313107,0.41065657,-0.00928412,0.090415776,0.18091775,-0.010793066,-0.010142676,-0.20986095,-0.3740831,0.25086942,-0.31494206,0.17761512,0.04850758,-0.06098805,0.7605751,0.3038707,0.5178377,-0.5769507,0.80365956,0.22879237,-0.34868854,-0.2688102,-0.20910782,0.3392469,0.2990533,0.5502763,0.6561665,0.04177933,-0.45408615,-0.055697974,0.05596695,-0.22720425,0.63778013,-0.1921504,-0.16227654,-0.053658817,0.04536426,-0.28570235,0.30350783,0.5217574,0.0025516534,0.10135456,0.5973671,0.09276529,0.7803261,0.45648357,-0.21722879,-0.3496141,0.18574907,0.1729008,0.6754883,-0.5101994,0.16308193,-0.32053986,-0.0013728795,0.0371755,-0.114131995,0.19870742,0.3973309,0.17016156,0.016581284,0.3074155,0.32889378,-0.6682561,0.36933577,0.45571226,-0.19315217,-0.5065343,0.15996625,0.026897952,0.046443015,0.2667398,-0.18946062,-0.4283052,-0.44281873,-0.24062063,0.41703427,-0.30064407,0.35975343,0.31060407,0.18125875,0.14912511,0.10962614,-0.06901708,-0.2846222,-0.027887726,0.037055127,0.031954445,0.56672156,-0.0863331,0.1497875,-0.1635759,-0.25121027,0.6303942,0.17385906,0.4313834,0.15800661,-0.6267578,-0.03539913,0.32520285,0.42759246,0.24401832,0.2115575,-0.8652025,0.13317755,-0.5719402,0.17294376,-0.12595764,0.34818307,0.24802469,0.05904272,0.1538172,-0.57994705,0.2582915,0.45511153,-0.44164076,-0.074042775,0.04943926,-0.1648779,0.3280813,0.5601293,-0.0018850226,-0.140464,-0.07845455,0.44026145,0.56197315,0.1462102,-0.18595229,0.014953136,0.46956787,-0.14819877,0.1859354,0.019512085,-0.01712815,0.5366789,0.7835224,-0.7423546,0.6503855,0.44647282,0.3631722,-0.66614413,0.10151727,-0.1348695,0.32992417,0.10387001,-0.26746857,-0.33413792,-0.5662058,0.36110422,0.7741211,-0.039930806,-0.15249825,0.09454683,0.4891987,0.0062028184,0.06745152,0.55465925,-0.06739082,0.5588079,-0.43696547,0.555966,0.56702,0.056295626,-0.62005293,-0.3722073,0.21030217,-0.017268468,0.95288086,0.51696795,-0.25066343,-0.3169728,0.42543235,0.31396082,0.17551036,0.3922707,0.07407632,0.91187936,0.38888615,-0.12070266,0.011815081,-0.45720986,0.04727247,0.62094855,-0.45443076,0.16062841,-0.40287957,-0.55417335,-0.3830013,0.055438586,0.1718703,-0.6422826,0.22917171,-0.5290951,0.1585279,0.07934802,0.50577295,-0.035466444,0.088082545,0.5693788,0.11773129,0.1821725,0.41347143,-0.2278498,0.50422746,0.29794943,-0.9369089,0.47065943,0.28594327,-0.6866015,-0.63375616,-0.15243755,-0.46409172,-0.4630497,-0.25025153,0.6375835,0.54886156,0.19831929,-0.03725618,0.20592122,0.36338213,0.31409082,-0.05410012,0.14887711,0.09740482,0.05067692,0.14775206,0.28025475,-0.34377113,-0.27423778,-0.354568,-0.20043556,0.3899774,-0.19812085,-0.36292082,-0.18255037,0.07038237,0.642794,-0.060884897,0.2948623,0.68766963,0.6928454,-0.3849391,0.17996079,0.12549743,0.10299729,-0.25861496,-0.09246836,-0.32353002,-0.01378604,-0.095313616,-0.04558251,0.20014873,-0.4066689,-0.08052519,-0.4618455,0.37693843,0.45283204,-0.114583425,0.050728872,0.13196129,-0.1941961,-0.11727777,3.9586966,0.05150596,0.11701303,0.5739518,0.07567582,0.48247826,0.25156844,0.38180268,0.12796494,0.009531708,-0.04081167,-0.30954623,-0.035167653,0.43064785,0.24091315,-0.11113215,0.027972942,0.3501582,0.54151994,0.14281327,-0.6420307,0.48611403,0.5221564,0.47878447,0.8510151,0.5528693,0.27463847,0.7548287,0.760392,0.4057206,0.5247366,0.6815815,0.46189928,-0.0665814,0.29575244,-0.13240056,0.44400057,-0.26975283,-0.15510945,0.15475176,-0.46221858,0.054507546,0.14640503,0.66453534,0.19300742,-0.3626597,-0.16279799,0.3795997,0.122737944,-0.20419496,0.18285695,0.027228406,-0.22584598,-0.16478994,0.28747237,0.53937024,0.44095138,0.6340223,-0.41380823,0.38367343,0.39497304,-0.043954037,0.38885015,-0.33315817,-0.4766579,0.17371525,-0.23392603,0.7948543,0.3054392,-0.72041094,0.2532946,0.415873,0.80443436,-0.34634262,-0.4886025,0.30351955,-0.049782824,-0.47253707,-0.11401102,-0.096243046,0.19083612,-0.34427363,-0.24545296,0.5773733,0.16357873,0.38620606,0.39995435,-0.65907687,0.6957725,0.24120355,0.34054404,-0.039899644,0.80393964,0.06337182,0.14144897,0.117613785,-0.019442292,-3.7490542,-0.38971332,0.14894387,-0.61240107,0.19039957,0.23817067,0.022639165,0.015894404,-0.6198486,0.14320132,0.041371442,-0.30882874,-0.30676636,1.0463533,-0.034157425,0.31748047,0.4891939,0.5333419,-0.3289819,0.14962271,0.2807266,0.35519713,0.4001028,-0.18559772,-0.7066097,0.14664957,-0.565848,0.013109448,-0.18452193,-0.07372118,0.28156808,-0.36035228,0.8867393,-0.16306667,-0.04191513,0.4594507,0.43135175,-0.091903865,-0.042651527,-0.32555583,-0.19054003,-0.06525034,0.16911364,0.04686202,-0.038171988,0.1336097,0.3761719,-0.050084345,-0.2679286,0.64759475,0.7107872,0.2074471,-0.27312976,0.40090975,0.5491712,-0.10747743,0.74496686,0.18130445,-0.09431538,0.19524746,-0.21418755,-0.12488151,0.15227054,-0.3852693,-0.7784234,-0.14571632,0.041122317,-0.16407914,0.03949264,-0.1925929,0.32901394,0.12069722,0.23391949,-0.16763128,-0.12962814,0.5088096,0.21486548,-0.20993523,0.603585,0.24633685,-0.14029086,-0.27401388,-0.49189645,-0.10249644,2.3196032,-0.12417316,2.1448603,0.058190174,-0.6551869,0.6827868,0.6356786,0.7710372,0.3722568,0.8363127,0.3799041,0.26085538,-0.20764771,0.512162,0.08349497,-0.15835808,0.5738307,-0.66654295,0.18993358,0.32188657,0.0764867,0.64592606,-0.2310478,0.18350935,-0.3915338,0.028645294,-0.101273224,0.8696747,-0.50792813,-0.39119712,-0.30162883,0.7319297,0.71813834,0.39383802,-0.012138247,0.3298783,0.23386809,4.5470805,-0.049004212,0.107414484,0.052308656,0.2678271,-0.15366946,0.5438965,-0.47809094,-0.14649442,0.022792917,0.1358324,-0.4503206,0.57014287,-0.13368002,0.23805767,-0.22125027,-0.08700341,0.045676652,0.16678812,-0.27974084,0.45245427,-0.2107062,0.6667994,0.036875203,0.54632777,0.20104687,0.5349449,0.06913179,-0.086024776,0.76876926,0.16203642,5.155099,0.2797164,0.21450946,-0.17529553,-0.038863413,0.5156995,0.08603405,-0.516439,-0.35604522,0.10131945,0.008194211,0.084706515,-0.34049395,0.21572115,-0.83385843,-0.046860088,-0.48247585,0.023293016,0.22008015,-0.5305121,0.5061096,0.0183293,0.1326365,0.22057603,-0.43027383,-0.3885953,0.1500542,-0.1449458,-0.38747045,0.2789606,0.27069542,-0.37978157,-0.58541,0.5139468,-0.60586643,-0.5236463,0.22003366,0.15764758,0.3512009,0.13694952,0.7772281,0.28431293,0.113065295,0.14233269,-0.047996823,0.0024461043,0.06218189,-0.28065726,-0.2061346,-0.36278206,0.24291486,-0.0869041,0.7448049,0.36513415,0.61559093,0.42820337,0.41123256,-0.32082868,-0.10876272,-0.028618973,0.6750199,-0.048880983,-0.12521495,0.1926665,0.6695621,0.21937566,0.46856737,0.30544627,0.2650348,-0.11578811,-0.15696093,-0.047148716,0.19283816,0.12149068,-0.03274016,0.021503512,0.008024155,0.19709297,0.15727529,0.14134975,-0.16997191,-0.063695885,-0.39591065,-0.11891319,-0.04673462,0.16978487,-0.09345571,0.11924938,0.13301763,-0.2266567,0.4164705,0.3571622,0.09038913,0.18044233,0.09119875,-0.23754075,0.45051736,0.35435763,0.20957275,0.5704436,-0.36682,0.26963162,0.15532929,-0.24306794,0.17486432,0.39116114,0.12234816,0.21448524,-0.019066956,-0.09756305,0.4465544,0.3394048,-0.7088385,-0.5032021,0.03529406]
    ], 
    limit = 16000, 
    search_params = search_params
)

print(f"recall: {res.recalls}")

출력은 다음과 같습니다:

recall: [0.9886875152587891]

재현율이 98.87%로, 목표인 99.5%에 미치지 못합니다. 지연 시간도 측정해 보겠습니다(선택 사항):

search_params = {
    "params": {
        "level": 1,
#        "enable_recall_calculation": True
    }
}

start_time = time.perf_counter()
client.search(collection_name = "ZillizCloudVectorDBBench",
    data = data,
    limit = limit,
    search_params = search_params
)
end_time = time.perf_counter()

elapsed_time = end_time - start_time
print(f"latency at level=1: {elapsed_time:.2f} seconds")

그리고 출력은 다음과 같습니다:

latency at level=1: 0.03 seconds

4단계: 최적의 Level 값 찾기

이제 최적의 구성을 찾기 위해 다양한 level 값을 체계적으로 테스트해 보겠습니다:

recall at level=1: [0.9886875152587891]
latency at level=1: 0.03 seconds
...
recall at level=6: [0.9947500228881836]
latency at level=6: 0.04 seconds
recall at level=7: [0.9961249828338623]
latency at level=7: 0.04 seconds
...
recall at level=10: [1.0]
latency at level=10: 0.06 seconds

실험 결과 level=7은 지연 시간을 허용 가능한 범위 내로 유지하면서 재현율 목표(99.61% > 99.5%)를 충족하는 것으로 나타났습니다.

5단계: 시스템 성능 모니터링(선택 사항)

Zilliz Cloud는 성능을 효과적으로 모니터링하는 데 도움이 되는 포괄적인 시스템 지표 세트를 제공합니다. level 파라미터를 조정하고 새 설정을 적용할 때, Zilliz Cloud는 QPS 및 지연 시간과 같은 주요 지표를 실시간으로 추적합니다. 이를 통해 파라미터 조정이 전체 시스템 성능에 미치는 영향을 평가할 수 있어, 더 정보에 기반한 의사 결정을 내릴 수 있습니다.

6단계: 프로덕션 워크로드로 검증

프로덕션 검증을 위해 다음을 권장합니다:

대표적인 쿼리 벡터로 테스트 실행
Zilliz Cloud 대시보드에서 다음 항목 모니터링:
- 평균 지연 시간
- QPS
- 리소스 사용률

7단계: 종합 벤치마킹 수행(선택 사항)

보다 엄격한 평가를 위해 오픈 소스 벤치마킹 도구인 VectorDBBench를 사용하여 1,000회의 검색 작업으로 다양한 구성을 테스트했습니다:

level	평균 지연 시간(ms)	QPS	VectorDBBench의 재현율	Zilliz Cloud의 재현율
1	3.1	1266	0.9519	0.953
2	3.2	1080	0.9644	0.9669
3	3.4	972	0.9728	0.9755
4	3.6	814	0.9816	0.9846
5	3.9	704	0.9871	0.99
6	4.4	549	0.9916	0.995
7	5	448	0.9936	0.9971
8	5.4	375	0.9945	0.9983
9	5.9	340	0.9952	0.9991
10	6.3	296	0.9958	0.9995

표 1: VDBBench에서 1,000회의 검색 작업을 기반으로 한 테스트 결과

이러한 벤치마킹 결과는 다음을 확인해 줍니다:

enable_recall_calculation 추정치는 실제 재현율 성능과 매우 유사합니다
더 높은 재현율은 지연 시간 증가와 QPS 감소를 수반합니다
목표 요구 사항에 대해 level=7이 최적의 균형을 제공합니다

재현율 향상은 일반적으로 지연 시간 증가와 QPS 감소를 수반한다는 점에 유의해야 합니다. 현재 재현율이 비즈니스 요구 사항을 충족하지만 QPS가 최적이 아니라면, 처리량을 향상하기 위해 CU 리소스를 확장하거나 복제본을 추가하는 것을 고려할 수 있습니다.

8단계: 최적 구성 확인

실험 결과를 바탕으로, 이 예제에서 최적의 구성은 level=7이며, 이는 허용 가능한 지연 시간을 유지하면서 99.6%의 리콜을 제공합니다.

결론

검색 정확도와 성능 사이의 완벽한 균형을 찾는 것은 오랫동안 벡터 데이터베이스 사용자들에게 어려운 과제였습니다. Zilliz Cloud의 새로운 level 및 enable_recall_calculation 매개변수를 통해 개발자들은 이제 특정 요구 사항에 맞게 벡터 검색 구현을 최적화할 수 있는 강력한 도구를 갖게 되었습니다.

속도를 우선시하는 추천 시스템을 구축하든, 높은 정확도를 요구하는 보안 애플리케이션을 구축하든, 또는 그 중간의 무엇이든, 이러한 기능을 통해 다음을 수행할 수 있습니다:

요구 사항을 충족하도록 검색 정확도를 정밀하게 조정
내장 추정 기능으로 실제 리콜률 검증
구성 간 절충에 대해 데이터 기반 의사 결정

저희는 벡터 검색을 더 강력하고 유연하며 쉽게 최적화할 수 있도록 하는 기능으로 Zilliz Cloud를 지속적으로 향상시키기 위해 최선을 다하고 있습니다. 이러한 새로운 매개변수는 개발자가 뛰어난 AI 기반 애플리케이션을 구축할 수 있도록 지원하는 여정의 시작일 뿐입니다.

벡터 검색 최적화를 시작할 준비가 되셨나요? 지금 Zilliz Cloud에 가입하거나 기존 계정에 로그인하여 이러한 새로운 기능을 살펴보세요.

Jul 28, 2026에 업데이트됨

계속 읽기

A Few Notes from Databricks Data + AI Summit 2026: Why the Data Layer Matters Again

James Luan shares notes from Databricks Data + AI Summit 2026 on why production AI is pushing the data layer back to the center of infrastructure.

How Zilliz Ended Up at the Center of NVIDIA’s Unstructured Data Story at GTC 2026

If unstructured data is the context of AI, then the ceiling of AI applications will be set not just by models, but by how mature the infrastructure for unstructured data becomes.

1 Table = 1000 Words? Foundation Models for Tabular Data

TableGPT2 automates tabular data insights, overcoming schema variability, while Milvus accelerates vector search for efficient, scalable decision-making.