Zilliz Cloud: AI 앱 구축을 위한 사용자 비용을 최소화하는 완전 관리형 벡터 데이터베이스
벡터 데이터베이스의 가치 재평가
인공지능 생성 콘텐츠(AIGC)의 성장은 벡터 검색 기술의 발전으로 이어졌고, 새로운 수요를 창출하며 사용자층을 알고리즘 엔지니어를 넘어 애플리케이션 및 백엔드 개발자까지 확대했습니다. 모델 일반화의 향상 또한 AI 애플리케이션 구축을 더 쉽게 만들었습니다.
벡터 데이터베이스 엔지니어이자 Zilliz Cloud의 제품 설계자로서, 최근의 변화는 저로 하여금 벡터 데이터베이스의 가치를 재평가하게 했습니다. Zilliz에서는 고객에게 사용하기 쉽고, 효율적이며, 신뢰할 수 있고, 합리적인 가격의 제품을 제공하는 것을 최우선으로 합니다. 우리의 가장 중요한 목표 중 하나는 개발자의 전체 개발 주기 동안 사용 비용을 최소화하는 벡터 데이터베이스를 제공하는 것입니다. 이 목표에는 더 빠른 벡터 검색 속도, 더 낮은 스토리지 비용, 그리고 사용자가 유지보수와 운영에서 벗어나 비즈니스에 집중할 수 있도록 하는 것이 포함됩니다. Zilliz Cloud의 최신 릴리스는 이 목표를 달성하기 위한 중요한 진전입니다.
Zilliz Cloud는 AI 개발자의 전체 사용 비용을 최소화합니다
최신 Zilliz Cloud는 생성형 AI 애플리케이션을 구축하려는 개발자에게 판도를 바꾸는 업데이트입니다. 파티션 키, 동적 스키마, JSON 지원과 같은 많은 흥미로운 기능을 제공합니다. 또한 Zilliz Cloud는 더 합리적인 가격 옵션을 제공하여 예산과 관계없이 모든 개발자가 접근할 수 있게 합니다. 전체 사용 비용을 최소화함으로써 Zilliz Cloud는 전통적인 기업과 스타트업이 혁신적인 AI 애플리케이션을 만들 수 있도록 합니다.
벡터 데이터베이스를 사용할 때는 일반적으로 개발, 하드웨어, 유지보수와 관련된 비용이 발생합니다. Zilliz Cloud는 이러한 비용을 크게 최소화함으로써 차별화됩니다. 다음 섹션에서는 Zilliz Cloud가 이를 어떻게 실현하는지 살펴보겠습니다.
최소화된 개발 비용
낮은 개발 비용은 간소화된 개발 프로세스를 의미하며, 개발자가 애플리케이션 구축에 집중하고 복잡한 배포, 탐색하기 어려운 API, 적응 작업에 불필요하게 시간을 소비하는 것을 피할 수 있게 합니다.
Zilliz Cloud는 개발 비용을 최소화하고 개발자의 부담을 덜어줄 수 있는 많은 새로운 기능을 도입했습니다. 예를 들어, Zilliz Cloud는 이제 다음 기능을 지원합니다.
- 동적 스키마를 통해 사용자는 미리 정의된 정적 스키마에 제한되지 않고 동적으로 다양한 필드를 가진 엔터티를 컬렉션에 삽입할 수 있습니다.
- JSON 데이터 타입은 더 유연한 데이터 저장을 가능하게 합니다.
- RESTful 인터페이스는 API 사용을 더 직관적이고 간소화합니다.
- 멀티 테넌트 파티션 키는 멀티 테넌트 애플리케이션을 위해 효율적인 쿼리와 데이터 분리를 모두 보장합니다.
- Intelligent Index 2.0은 복잡한 인덱스 유형과 구성을 이해할 필요를 없애줍니다.
- API 키 또는 비밀번호를 통한 접근은 개발자의 습관에 더 잘 맞출 수 있습니다.
하드웨어 리소스 비용 최소화
메모리와 연산은 벡터 데이터베이스에서 가장 비용이 많이 드는 리소스에 속합니다. 이는 연산 및 메모리 집약적이기 때문입니다. 따라서 메모리와 연산 비용을 최소화하는 것은 벡터 데이터베이스의 접근성을 높이는 데 매우 중요합니다.
Zilliz Cloud는 실험실 테스트 환경뿐만 아니라 대규모 프로덕션 환경에서도 하드웨어 비용을 최소화하기 위한 많은 기능을 포함하고 있습니다.
- 새롭게 도입된 비용 최적화 컴퓨트 유닛(Cost-Optimized compute unit, CU)은 기존 용량 최적화 CU(Capacity-Optimized CU)와 동일한 스토리지 용량을 제공하면서도 약 30% 더 저렴합니다. 비용 최적화 CU는 까다로운 지연 시간이나 쿼리 처리량을 요구하지는 않지만 여전히 최고 수준의 솔루션을 원하는, 예산이 제한된 사용자에게 가장 적합합니다.
- 스칼라 필터링은 이제 벡터화 실행을 통해 더 빨라져, 단일 스칼라 필터링 실행 시간이 2ms에서 0.5ms 미만으로 줄었습니다. 동시에 비용 평가 기반의 여러 실행 계획을 사용할 수 있게 되어 대규모 데이터 필터링에서 그래프 연결성을 개선하고, 특정 사례에서 스칼라 필터링 성능을 50배 이상 향상합니다.
- 대폭적인 가격 인하와 함께 더 다양한 가격 옵션은 Starter, Standard, Enterprise, Self-hosted 플랜 등 다양한 요구 사항을 충족합니다. 각 플랜은 비용, 성능, 서비스 품질, 컴플라이언스를 세심하게 균형 있게 조정하여 모든 사용자가 자신의 요구에 맞는 맞춤형 솔루션을 찾을 수 있도록 보장합니다.
- VectorDBBench는 오픈 소스 벤치마킹 도구로, QPS, 용량, 지연 시간 및 기타 지표를 기준으로 다양한 벡터 데이터베이스를 평가하기 위해 도입되었습니다. 이 도구는 사용자가 비즈니스 요구에 가장 적합한 벡터 데이터베이스를 선택하는 데 도움이 될 수 있습니다.
유지 관리 비용 최소화
유지 관리 비용은 매우 중요하지만 종종 간과되는 비용입니다. Zilliz Cloud는 사용자의 유지 관리 부담을 덜어 주어 사용자가 핵심 비즈니스 운영에 집중할 수 있도록 합니다.
무료 서버리스 티어는 최대 2개의 컬렉션을 제공하며, 각 컬렉션은 더 작은 규모에서 768차원 이상의 벡터를 최대 500,000개까지 처리할 수 있습니다. 이 새로운 제공 사항은 광범위한 인프라 투자 없이도 상당한 데이터 처리 역량을 제공합니다.
새로운 Organizations and Roles 기능은 리소스 접근성에 대한 세밀한 제어를 통해 팀 액세스 및 권한 관리를 간소화합니다. 이 기능은 안전하고 유연한 협업 워크플로를 가능하게 하며, 여러 프로젝트와 Zilliz Cloud의 벡터 데이터베이스 서비스에 대한 액세스가 필요한 팀원이 있는 대규모 조직에 특히 유용합니다.
롤링 업그레이드 기능은 사용자의 시스템이 계속 사용 가능하고 요청에 응답할 수 있도록 보장하여, 매끄럽고 중단 없는 경험을 제공합니다.
Zilliz Cloud의 새로운 기능에 대한 자세한 내용은 릴리스 노트를 참조하세요.
앞으로 Zilliz Cloud에서 무엇을 기대할 수 있을까요?
출시 이후 Zilliz Cloud는 개발자의 생산성을 향상하고 사용자가 비정형 데이터의 방대한 잠재력을 발견할 수 있도록 지원하는 데 전념해 왔습니다. 우리는 새로운 아이디어와 제안을 환영하며, 벡터 검색을 발전시키기 위해 모두와 협력하게 되어 기쁩니다. 향후 릴리스에서는 다음을 포함한 더 많은 기능을 도입할 예정입니다:
- 비정형 데이터 처리 파이프라인
- 더 복잡한 집계 함수 지원
- 차세대 스칼라 쿼리 엔진 및 벡터 검색 엔진
- 자동 확장 인스턴스 유형
- 서비스의 글로벌 확장
그리고 더 많은 기능이 제공될 예정입니다! 계속 지켜봐 주세요!
Zilliz Cloud 시작하기
- 새로운 Starter Plan으로 무료로 시작하세요! 설치 번거로움 없이 시작할 수 있고 신용 카드가 필요 없는 훌륭한 플랜입니다!
- 또는 등록 시 $100 상당의 크레딧과 총 최대 $200 상당의 크레딧을 받을 기회가 제공되는 Standard 플랜의 30일 무료 체험을 시작하세요.
- Zilliz Cloud 문서를 더 자세히 살펴보세요.
- Milvus에서 Zilliz Cloud로 마이그레이션하는 방법에 대한 가이드를 확인하세요.
계속 읽기
Why Context Engineering Is Becoming the Full Stack of AI Agents
Discover how context engineering unifies prompts, RAG, and tools to build smarter, production-ready AI agents powered by Milvus.
Democratizing AI: Making Vector Search Powerful and Affordable
Zilliz democratizes AI vector search with Milvus 2.6 and Zilliz Cloud for powerful, affordable scalability, cutting costs in infrastructure, operations, and development.
Similarity Metrics for Vector Search
Exploring five similarity metrics for vector search: L2 or Euclidean distance, cosine distance, inner product, and hamming distance.