Zilliz Cloud의 Milvus 2.3 베타 및 엔터프라이즈 업그레이드
Zilliz Cloud는 이제 Milvus 2.3의 베타 버전을 제공하며, 이는 벡터 데이터베이스 기술의 중요한 업데이트를 의미합니다. 이 버전은 개발자를 위한 데이터 관리 및 쿼리 프로세스를 향상하는 기능을 도입합니다. 이와 함께 Zilliz Cloud는 새로운 엔터프라이즈 중심 기능을 도입하여, 전문 환경에서 확장 가능하고 견고한 데이터 솔루션을 지원하겠다는 의지를 반영합니다.
사용 가능한 Milvus 2.3 기능 하이라이트
Zilliz Cloud에서 베타로 제공되는 Milvus 2.3은 벡터 데이터베이스와의 상호작용을 혁신하는 몇 가지 주요 기능을 도입합니다.
Milvus 2.3에 Cosine similarity를 통합하면 유사도 계산에 고급 기능이 제공되어 사전 벡터 정규화의 필요성이 없어지고 검색 프로세스가 간소화됩니다. 새로운 Range Search 기능은 벡터 쿼리의 범위를 확장하여 더 정확하고 다양한 데이터 검색 방법을 제공하며, 이는 추천 엔진에 특히 유용합니다. 중요한 추가 기능인 Upsert 기능은 데이터 관리를 간소화합니다. 이는 데이터 일관성과 원자성이 가장 중요한 동적 환경에서 핵심적인 이점인 데이터셋 업데이트 및 조작의 효율성을 향상합니다.
Raw vector 반환, JSON_CONTAINS 필터, 엔터티 수 등 추가 기능에 대한 자세한 내용은 문서를 참조하세요.
향상된 엔터프라이즈 기능
이러한 AI 네이티브 벡터 검색 발전과 병행하여, Zilliz Cloud는 엔터프라이즈 기능에 중요한 업그레이드를 도입했습니다. 향상된 Role-Based Access Control (RBAC) 시스템에는 이제 새로운 프로젝트 멤버 역할이 포함되어, 더 맞춤화된 액세스 제어를 가능하게 하고 프로젝트 수준의 보안을 개선합니다. AWS EU Frankfurt 리전의 정식 출시는 지리적 옵션을 확장하여 다양한 기술적 및 규제 요구사항을 충족합니다. 또한 Self-Service Account and Organization Deletion 기능의 도입은 사용자에게 계정 관리에 대한 더 많은 제어권과 유연성을 제공합니다. 이러한 향상과 안정성 및 사용자 경험의 기타 개선 사항은 다양한 엔터프라이즈 요구사항을 충족하는 Zilliz Cloud의 적응력과 강력함을 강조합니다.
Azure에서의 Zilliz Cloud 가용성
Zilliz Cloud는 이제 Microsoft Azure에서 사용할 수 있으며, azure-east-us 리전에서 처음 제공됩니다. 이번 확장은 Azure 개발자와 기업에 벡터 데이터베이스 워크로드를 관리할 새로운 선택지를 제공합니다. 또한 이번 조치는 AWS와 Google Cloud를 포함한 주요 클라우드 플랫폼 전반에서 Zilliz Cloud의 가용성이 완성되었음을 의미합니다.
Azure에 대한 우리의 헌신은 이 성과를 넘어, 새로운 Azure 리전으로의 확장과 같은 향후 개선을 통해 사용자의 요구에 따라 Zilliz Cloud를 배포할 수 있는 유연성을 높일 예정입니다. 또한 Zilliz Cloud는 곧 Azure Marketplace에서 제공되어 관리 및 결제 프로세스를 간소화할 것입니다.
결론
여러분의 피드백은 Milvus와 Zilliz Cloud의 발전에 매우 중요합니다. 개발자 커뮤니티 여러분께서는 Discord 채널을 통해 또는 직접 문의하여 의견과 기능 요청을 공유해 주시기 바랍니다. 여러분의 인사이트는 우리의 벡터 데이터베이스 기술의 미래를 형성하는 핵심입니다. 가장 효과적이고 사용자 중심적인 데이터 솔루션을 만들기 위해 함께 협력합시다.
계속 읽기
Vector Lakebase: End the AI Data Silo
Learn how Vector Lakebase unifies vector search, data lakes, and AI data operations so teams can serve RAG and agents without copy-and-sync pipelines.
Vector Databases vs. Document Databases
Use a vector database for similarity search and AI-powered applications; use a document database for flexible schema and JSON-like data storage.
Vector Databases vs. Graph Databases
Use a vector database for AI-powered similarity search; use a graph database for complex relationship-based queries and network analysis.