Milvus 2.6.x가 이제 Zilliz Cloud에서 정식으로 제공되어, 프로덕션 AI를 위한 벡터 검색을 더 빠르고, 더 스마트하며, 더 비용 효율적으로 만듭니다
Milvus 2.6.x는 오픈소스 커뮤니티에서 한동안 제공되어 왔으며, 빠르게 인기 있는 업그레이드 경로가 되었습니다. 사용자들은 더 원활한 데이터 수집, 더 나은 성능, 향상된 비용 효율성, 그리고 더 강력한 하이브리드 검색을 위해 이를 도입했습니다. Milvus 2.6.x가 업스트림에 릴리스되자마자, 많은 Zilliz Cloud 사용자들로부터 같은 질문을 듣기 시작했습니다: “Zilliz Cloud에서 Milvus 2.6.x를 프로덕션으로 언제 실행할 수 있나요?”
오늘, Milvus 2.6.x가 Zilliz Cloud에서 공식적으로 정식 출시(GA)되었으며, 모든 고객이 즉시 사용할 수 있게 되었음을 기쁘게 알려드립니다. 이번 릴리스는 전체 Milvus 2.6.x 기능 세트를 완전 관리형 클라우드 환경에 제공할 뿐만 아니라, 자체 관리형 배포에서는 불가능한 수준으로 성능, 안정성, 효율성을 끌어올리는 일련의 클라우드 전용 최적화도 도입합니다.
프로덕션급 RAG 시스템, 대화형 에이전트, 추천 엔진, 엔터프라이즈 지식 플랫폼 또는 기타 AI 기반 애플리케이션을 빠르게 구축, 프로토타이핑하거나 운영하는 팀에게 Zilliz Cloud에서 Milvus 2.6.x를 실행한다는 것은 완전 관리형 서비스의 간편함, 신뢰성, 비용 효율성과 함께 Milvus의 최신 기능을 활용할 수 있음을 의미합니다. 따라서 팀은 인프라 운영이 아니라 구축에 계속 집중할 수 있습니다.
Milvus 2.6.x가 중요한 이유 — 그리고 Zilliz Cloud에서 특별한 점
Milvus 2.6.x는 프로덕션 벡터 검색을 위한 중요한 진전으로, 더 빠른 인덱싱, 더 낮은 스토리지 및 메모리 비용, 더 나은 텍스트 검색, 향상된 언어 지원을 제공합니다. 전체 시스템에서 데이터가 저장, 검색, 관리되는 방식을 업그레이드하여 대규모 AI 워크로드를 더 효율적이고 운영하기 쉽게 만듭니다.
Milvus 2.6.x가 이제 Zilliz Cloud에서 GA됨에 따라, 이러한 모든 개선 사항을 완전 관리형 프로덕션 준비 환경에서 즉시 사용할 수 있습니다. 또한 Zilliz Cloud는 Milvus의 창시자들이 구축하고 운영하기 때문에 오픈소스 릴리스를 넘어섭니다. 자동화, 성능, 신뢰성, 엔터프라이즈급 안정성을 위한 많은 클라우드 전용 최적화를 추가합니다.
요약하면: Milvus 2.6.x는 수년 만에 가장 큰 기술적 도약을 제공하며, Zilliz Cloud는 이를 오늘 바로 프로덕션에서 실행할 수 있는 턴키 방식의 확장 가능한 서비스로 전환합니다.
Zilliz Cloud에서 Milvus 2.6.x를 실행할 때 기대할 수 있는 주요 기능과 이점을 살펴보겠습니다.
벡터 검색 비용을 거의 S3 수준으로 낮추는 3계층 티어드 스토리지
모든 데이터가 동일한 것은 아닙니다. 실제 AI 시스템에서는 최근 클릭, 인기 제품, 자주 참조되는 문서처럼 데이터의 작은 일부만 지속적으로 액세스됩니다. 나머지는 대부분의 시간 동안 유휴 상태로 남아 있습니다. 하지만 많은 벡터 데이터베이스는 모든 데이터를 고성능(그리고 고비용) 스토리지에 저장하도록 강제하여 총소유비용을 크게 부풀립니다.
Milvus 2.6.x는 내장 티어드 스토리지로 이를 바꾸며, Zilliz Cloud는 완전한 클라우드 네이티브 3계층 설계로 이를 한 단계 더 발전시킵니다. 전체 코퍼스에 대해 SSD 또는 메모리 가격을 지불하는 대신, 데이터는 액세스 패턴에 맞는 스토리지 계층에 자동으로 배치됩니다.
구체적으로, Zilliz Cloud 티어드 스토리지 클러스터에서는:
객체 스토리지(예: S3)가 전체 데이터셋을 저장합니다
로컬 SSD는 반복 액세스를 가속화하는 웜 캐시 역할을 합니다
메모리는 즉각 응답 쿼리를 위한 핫 티어로 사용됩니다
이 아키텍처는 실시간으로 적응합니다. 트래픽 패턴이 바뀌면 시스템은 계층 간에 데이터를 자동으로 승격하거나 강등합니다. 프로덕션 테스트에서 이는 90% 이상의 캐시 적중률을 제공하며, 이는 대부분의 쿼리가 빠른 메모리 또는 SSD에서 처리된다는 의미입니다. 하지만 기본 스토리지 비용은 여전히 S3처럼 유지됩니다.
실제로 티어드 스토리지는 스토리지 비용을 최대 87% 절감하고, 컴퓨팅 비용을 25% 줄이며, 전체 TCO를 원시 S3 가격에 놀라울 정도로 가깝게 만들 수 있습니다. 한때 월 약 $3,000가 들던 10 TB 데이터셋을 이제 약 $400에 실행할 수 있으며, 핫 워크로드에 대해 일관되게 낮은 지연 시간의 검색을 계속 제공할 수 있습니다.
따라서 계층형 스토리지 클러스터는 다음과 같이 명확한 핫/콜드 데이터 패턴을 가진 초대형, 비용 민감형 애플리케이션에 이상적입니다.
롱테일 제품 검색: 수백만 개의 SKU가 존재하지만 매일 조회되는 것은 상위 5~10%에 불과한 경우
전사 문서 저장소: 최신 콘텐츠만 자주 검색되는 경우
뉴스 및 미디어 아카이브: 현재 기사는 핫 데이터이고 과거 콘텐츠는 콜드 데이터인 경우
데이터 볼륨이 예산보다 더 빠르게 증가하는 모든 워크로드이며, 데이터의 일부만 빠른 인메모리 성능을 필요로 하는 경우
계층형 스토리지 가격에 대한 자세한 내용은 Zilliz Cloud docs를 확인하세요.
인덱스 빌드 레벨: 검색 정확도와 스토리지 비용을 자동으로 절충
계층형 스토리지는 이미 서로 다른 데이터를 서로 다른 계층에 배치하여 원시 벡터 저장 비용을 줄여줍니다. 하지만 원시 데이터를 저렴하게 보관할 수 있게 되더라도, 벡터 검색 시스템에는 여전히 하나의 주요 비용 요인이 남아 있습니다. 바로 인덱스입니다.
카드 목록이 도서관에서 책을 즉시 찾을 수 있게 해주는 것처럼, 인덱스는 대규모 벡터 검색을 빠르게 만들어주며, 메모리나 SSD에 유지되어야 합니다. 기본적으로 결과의 정확도를 높이고자 할수록 인덱스는 더 많은 이웃, 그래프 링크, 메타데이터를 유지해야 하며, 그만큼 크기도 커집니다. 10억 규모의 워크로드에서는 인덱스가 원시 벡터 자체의 크기를 초과할 수도 있습니다.
하지만 모든 AI 애플리케이션이 최대 검색 정확도를 필요로 하는 것은 아닙니다. 사기 탐지나 랭킹 같은 일부 워크로드는 이를 반드시 필요로 합니다. 그러나 롱테일 제품 검색, 로그 검색, 아카이브, 실험 환경과 같은 다른 워크로드는 아주 작은 정확도 손실을 감수하는 대신 인덱스 크기를 크게 줄이고 비용을 낮출 수 있습니다. 이것이 정확도–용량 절충을 제어하는 것이 중요한 이유입니다. 약간 덜 정밀한 인덱스는 훨씬 더 작고 저렴하면서도 많은 워크로드에 여전히 완벽하게 적합할 수 있습니다.
이번 릴리스에서 Zilliz Cloud는 AI 워크로드에 맞는 정확도-용량 균형을 자동으로 선택하도록 도와주는 Index Build Level 기능을 도입합니다.
Precision-first: AI 기반 사기 탐지와 같은 미션 크리티컬 워크로드를 위한 최대 재현율(정확도).
Balanced (Default): 정확도, 성능, 메모리 효율성의 강력한 조합—대부분의 범용 AI 애플리케이션에 이상적입니다.
Capacity-first: 스토리지 밀도에 크게 최적화되었습니다. 콜드 데이터, 대규모 아카이브 또는 완벽한 재현율이 필요하지 않은 워크로드에 적합합니다.
내부적으로 Zilliz Cloud는 인덱스 압축과 구조를 동적으로 조정하는 차세대 양자화 엔진을 적용하여, 수동 구성 없이도 크기, 정확도, 비용의 이상적인 균형을 제공합니다.
더 많은 실제 AI 사용 사례를 위한 확장된 데이터 타입 지원
이전에는 AI 애플리케이션에서 위치 인식 검색, 시간 기반 필터링 또는 복잡한 구조화 엔터티를 지원하려면 벡터 데이터베이스와 함께 추가 데이터베이스, GIS 도구 또는 무거운 전처리가 필요했습니다. Milvus 2.6.x는 이러한 워크로드를 Zilliz Cloud 내에서 완전히 실행할 수 있도록 더 많은 기본 데이터 타입을 추가하여 그 복잡성을 제거합니다. 이를 통해 개발자가 네이티브로 구축할 수 있는 범위가 넓어지고, 아키텍처가 간소화되며, 운영 오버헤드가 줄어듭니다.
Geometry Fields (POINT, LINESTRING, POLYGON)
많은 배송, 물류, 전자상거래 애플리케이션에서 검색은 의미적 관련성과 지리공간 필터링을 결합해야 합니다. “Find restaurants similar to this one within 1 km” 또는 “Retrieve EV charging stations nearby, ranked by user preferences” 같은 쿼리는 이전에는 벡터 데이터베이스와 함께 별도의 GIS 엔진이 필요했습니다. 네이티브 지오메트리 타입을 사용하면 Zilliz Cloud에서 의미적 유사도 + 위치 인식을 단일 쿼리로 결합할 수 있으며, 배포하거나 유지 관리할 추가 시스템이 필요 없습니다.
TimestampTz (Timezone-Aware Timestamps)
시간은 이벤트 계획 및 모니터링 시스템부터 로그 분석과 알림에 이르기까지 많은 실제 AI 애플리케이션에서 중요한 차원입니다. 네이티브 시간 지원이 없으면 팀은 벡터 데이터베이스를 외부 시계열 저장소와 결합하거나 어색한 인코딩 전략을 사용해야 했습니다. TimestampTz를 통해 Zilliz Cloud는 이제 시간 창 기반 벡터 검색, 최신성 강화 랭킹, 이벤트 기반 검색을 지원하여 시간적 추론을 훨씬 단순하게 만들고 로그, 알림, 모니터링, 실시간 분석을 위한 더 깔끔한 파이프라인을 가능하게 합니다.
INT8 Vector Type(8비트 임베딩)
최신 임베딩 모델, 특히 E5-base와 MiniLM-L12 같은 효율성 중심 모델은 종종 8비트 임베딩을 생성합니다. 이전에는 개발자가 이를 float로 업컨버트해야 했고, 이로 인해 메모리와 스토리지가 낭비되었습니다. 네이티브 INT8 지원은 다음을 의미합니다:
더 작은 벡터 → 더 낮은 스토리지 및 메모리 비용
더 작은 페이로드 → 더 높은 처리량
전처리 또는 형식 변환 없음
이는 특히 엣지 AI, 경량 모델, 비용에 민감한 워크로드에 유용합니다.
Struct 및 Array-of-Structs
실제 데이터는 단순한 필드 목록만이 아닙니다. 제품에는 여러 크기와 이미지가 있을 수 있고, 사용자는 여러 선호도와 행동을 가질 수 있으며, 문서에는 섹션, 태그, 메타데이터가 포함될 수 있습니다. 이전 Zilliz Cloud 릴리스에서는 이런 종류의 “데이터 안의 데이터”를 모델링하려면 필드를 평탄화하고 정보를 중복해야 했습니다.
Struct 및 Array-of-Structs가 이제 네이티브로 지원되면서, Zilliz Cloud는 풍부한 중첩 정보를 직접 저장하고 쿼리할 수 있게 해줍니다. 이를 통해 복잡한 엔티티를 실제 모습 그대로 더 쉽게 표현할 수 있습니다. 우회 방법이나 추가 시스템 없이도 가능합니다. 이는 다음과 같은 사용 사례를 위한 더 깔끔한 모델링을 가능하게 합니다:
중첩 속성을 가진 제품 카탈로그
여러 행동 신호를 가진 사용자 프로필
계층적 또는 다층 메타데이터를 가진 문서
텍스트, 이미지, 구조화된 메타데이터를 결합한 멀티모달 항목
이러한 관계를 그대로 유지함으로써 개발자는 더 단순한 쿼리, 더 적은 조인, 그리고 더 현실적이고 표현력 있는 데이터 모델을 얻을 수 있습니다. 모두 벡터 데이터베이스 안에서 가능합니다.
JSON Shredding 및 JSON Path: 더 나은 검색 정확도로 메타데이터 필터링을 100배 더 빠르게
이커머스 검색 및 추천 시스템과 같은 AI 애플리케이션은 벡터를 저장하고 검색하는 데 그치지 않고 메타데이터에 크게 의존합니다. 제품 세부 정보, 사용자 속성, 문서 태그, 이벤트 로그, 선호도, 구성 등이 여기에 포함됩니다. JSON은 유연하고 다루기 쉬워 보통 자연스러운 형식입니다. 그러나 대부분의 데이터베이스(벡터 데이터베이스 포함)에서 JSON을 필터링하려면 전체 JSON blob을 스캔해야 합니다. 데이터가 증가함에 따라 이러한 필터는 빠르게 고통스러울 정도로 느려집니다.
Zilliz Cloud의 Milvus 2.6.x는 네이티브 JSON Shredding 및 JSON Path를 통해 이러한 병목을 제거하여, 벡터 데이터베이스 내부에서 직접 최대 100배 더 빠른 메타데이터 필터링을 제공합니다.
JSON Shredding: 메타데이터는 여전히 일반 JSON으로 저장합니다. 데이터를 쓰는 방식은 아무것도 바뀌지 않습니다. 하지만 Zilliz Cloud는 내부적으로 JSON을 자동으로 재구성하여, 크거나 복잡한 문서에서도 필터링이 최대 100배 더 빨라지도록 합니다. JSON의 유연성을 희생하지 않으면서 구조화된 데이터베이스의 속도를 제공합니다.
JSON Path: JSON Path를 사용하면 JSON 내부의 특정 키(예:
price,category, 또는event.type)를 인덱싱할 수 있어 해당 필드에 대한 필터가 즉시 처리됩니다. 중요한 키를 Zilliz Cloud에 알려주기만 하면 최적화는 알아서 처리됩니다. 이는 범위, 동등성, 카테고리 기반 조회와 같은 예측 가능한 필터에 적합합니다.
JSON Shredding과 JSON Path는 함께 구조화된 필터링과 벡터 검색을 하나의 시스템으로 통합하여 메타데이터 필터링을 획기적으로 빠르게 만들고 최종 검색 결과의 정확도를 향상시킵니다. 이 기능은 특히 다음에 유용합니다:
풍부한 사용자 또는 항목 속성을 가진 추천 시스템
메타데이터로 문서를 필터링하거나 라우팅하는 RAG 파이프라인
효율적인 세분화가 필요한 멀티테넌트 아키텍처
그리고 풍부한 메타데이터를 활용하는 다양한 기타 AI 애플리케이션
BM25에 최적화된 전체 텍스트 검색: Elasticsearch보다 최대 7배 빠름
엔터프라이즈 지식 어시스턴트, 고객 지원 챗봇, 그리고 다양한 기타 RAG 기반 AI 애플리케이션은 벡터 유사도 그 이상에 의존합니다. 정확한 용어를 매칭하고, 희귀 엔티티를 처리하며, 도메인별 언어로 필터링하고, LLM 응답을 정확한 사실에 고정하려면 강력한 전체 텍스트 검색도 필요합니다. 이를 위해 많은 팀이 여전히 벡터 데이터베이스와 함께 Elasticsearch 또는 다른 텍스트 엔진을 운영하고 있으며, 그 결과 인프라가 두 배로 늘어나고 검색 속도가 느려집니다.
Zilliz Cloud는 작년 초 Milvus 2.5.x GA와 함께 하이브리드 키워드 + 벡터 검색을 도입했습니다. Milvus 2.6.x GA에서는 벡터 검색과 긴밀하게 통합된 BM25 최적화 전체 텍스트 엔진으로 이를 훨씬 더 발전시켰습니다:
Elasticsearch보다 4배 빠름—특정 데이터셋에서는 최대 7배 빠름
원본 텍스트의 3분의 1 크기로만 인덱싱
하나의 시스템에서 통합 키워드 + 벡터 검색
LLM 생성 답변을 위한 더 낮은 지연 시간과 더 정확한 근거 제공
이 업그레이드는 다음과 같은 실제 RAG 애플리케이션에 특히 유용합니다:
이름, 약어, 규정, 오류 코드에 대한 정확한 매칭과 결합된 시맨틱 검색이 필요한 엔터프라이즈 지식 어시스턴트
제품명, 버전 번호, 구성 매개변수, 진단 메시지로 문서를 필터링해야 하는 고객 지원 및 헬프데스크 코파일럿
그리고 더 많은 사례.
BM25가 Zilliz Cloud의 Milvus에 직접 내장됨으로써, 별도의 텍스트 검색 스택을 유지 관리하지 않고도 하이브리드 검색을 훨씬 더 빠르고, 저렴하며, 쉽게 운영할 수 있습니다.
글로벌 사용자를 위한 향상된 다국어 지원과 모든 언어에 대한 더 나은 텍스트 검색
AI 애플리케이션이 여러 국가와 언어의 사용자를 지원한다면, 검색 품질은 시스템이 텍스트를 얼마나 잘 토큰화하고 이해하는지에 따라 달라지는 경우가 많습니다. Milvus 2.6.x는 특히 일본어, 한국어, 중국어처럼 복잡한 분절이 필요한 언어에서 검색 정확도를 크게 향상시키는 여러 업그레이드를 도입합니다. 이번 릴리스에서 Zilliz Cloud는 최적화된 기본값과 원활한 통합을 통해 이러한 기능을 프로덕션 환경에 직접 제공합니다.
Zilliz Cloud의 향상된 다국어 지원에는 다음이 포함됩니다:
일본어, 한국어, 혼합 언어 분절을 크게 개선하는 Lindera + ICU tokenizers
팀이 특정 도메인 또는 제품 어휘에 맞게 중국어 토큰화를 미세 조정할 수 있도록 하는 사용자 지정 사전 지원 Jieba
일관되고 예측 가능한 검색 품질을 위해 팀이 토큰화 동작을 검사하고 디버깅할 수 있도록 클라우드 환경에서 이제 제공되는 run_analyzer
Zilliz Cloud는 또한 모든 언어 워크로드에 대한 일반 텍스트 검색을 업그레이드합니다:
Phrase Match, 구성 가능한 slop을 통해 정확하고 순서가 지정된 구문 쿼리 지원
VARCHAR 필드와 JSON 경로 전반에서 부분 문자열, 와일드카드, 퍼지, 부분 텍스트 검색을 가속화하는 NGRAM Index
이러한 개선 사항을 통해 Zilliz Cloud에서 다국어 및 복잡한 텍스트 검색은 훨씬 더 정확하고 유연해집니다—언어나 작성 방식에 관계없이 사용자가 안정적인 검색을 기대하는 글로벌 앱, 이커머스 플랫폼, 고객 지원 코파일럿, 엔터프라이즈 지식 어시스턴트 및 모든 시스템에 이상적입니다.
Zilliz Cloud의 Milvus 2.6.x 기능 전체 목록은 Milvus release notes를 확인하세요.
Zilliz Cloud에서 Milvus 2.6.x를 사용해 볼 준비가 되셨나요?
이제 모든 새로운 Milvus 2.6.x 기능을 Zilliz Cloud에서 완전히 사용할 수 있습니다.
이미 Zilliz Cloud 계정이 있다면, 간단히 로그인하고 새 기능을 바로 사용해 보세요—업그레이드나 마이그레이션은 필요하지 않습니다.
Zilliz Cloud가 처음이신가요? 무료로 가입하고 $100 크레딧을 받아 세계 최고의 매니지드 벡터 데이터베이스를 경험해 보세요.
업데이트에 대해 궁금한 점이 있으신가요? 최신 문서를 확인하거나 Zilliz Support에 문의하세요—Zilliz Cloud에서 Milvus 2.6.x를 최대한 활용할 수 있도록 도와드리겠습니다.
한계 없이 구축하기: Zilliz Cloud의 엔터프라이즈 준비 기능 자세히 살펴보기
Zilliz Cloud에서 Milvus 2.6.x가 GA됨에 따라, 이 플랫폼은 가장 뛰어난 성능, 비용 효율성, 보안성을 갖춘 완전 관리형 벡터 데이터베이스 서비스로서의 입지를 더욱 공고히 하는 동시에, 운영 부담이 없고 엔터프라이즈에 적합한 환경에서 Milvus의 고급 AI 검색 기능을 온전히 제공합니다.
탄력적 확장 및 비용 효율성 – 원클릭 배포, 서버리스 자동 확장, 사용량 기반 요금제.
고급 AI 검색 – 메타데이터 필터링, 동적 스키마, 멀티테넌시를 갖춘 벡터, 전문, 하이브리드(희소 + 밀집) 검색.
엔터프라이즈급 안정성 및 보안 – 99.95% SLA, SOC 2 Type II 및 ISO 27001 인증, GDPR 준수, HIPAA 준비 상태, RBAC, BYOC, 감사 로그, 비즈니스 크리티컬 플랜, 그리고 이제 글로벌 클러스터까지. 자세한 내용은 trust center를 참조하세요.
글로벌 가용성 – 전 세계 100ms 미만의 지연 시간으로 AWS, GCP, Azure 전반에 배포.
원활한 마이그레이션 – Pinecone, Qdrant, Elasticsearch, PostgreSQL, OpenSearch, AWS S3 vectors, Weaviate 또는 온프레미스 Milvus에서 이동할 수 있는 내장 도구.
자연어 쿼리 – 복잡한 API 없이 직관적인 쿼리를 위한 MCP server 지원.
이러한 기능을 종합하면, Zilliz Cloud는 단순한 벡터 데이터베이스를 넘어, 한계 없이 AI 애플리케이션을 구축하고 확장하기 위한 완전 관리형 프로덕션 준비 플랫폼입니다.
계속 읽기
My Wife Wanted Dior. I Spent $600 on Claude Code to Vibe-Code a 2M-Line Database Instead.
Write tests, not code reviews. How a test-first workflow with 6 parallel Claude Code sessions turns a 2M-line C++ codebase into a daily shipping pipeline.
Zilliz Cloud Enterprise Vector Search Powers High-Performance AI on AWS
Zilliz Cloud on AWS powers secure, scalable, ultra-fast vector search for enterprise AI apps, with BYOC, sub-10ms latency, and zero-DevOps simplicity.
Legal Document Analysis: Harnessing Zilliz Cloud's Semantic Search and RAG for Legal Insights
Enhance legal document analysis with Zilliz Cloud’s Semantic Search and RAG. Improve accuracy, efficiency, and scalability for contracts, case law, and compliance.