Zilliz Cloud의 새로운 기능: 10배 성능 향상 및 강화된 엔터프라이즈 기능
벡터 데이터베이스는 더 많은 기업이 AI 애플리케이션을 프로덕션으로 옮기면서 본격적인 궤도에 오르고 있지만, 이러한 변화는 성능, 확장성, 관리 측면에서 새로운 과제를 가져옵니다. 오늘 출시된 Zilliz Cloud는 새로운 Cardinal 벡터 검색 엔진과 엔터프라이즈급 기능 제품군으로 이러한 과제에 정면으로 대응합니다.
Cardinal로 성능 장벽 돌파
프로덕션 환경에서 10배의 성능 향상을 제공하는 새로운 벡터 검색 엔진인 Cardinal은 이번 릴리스의 핵심입니다. 이는 단순한 원시 속도에 관한 것이 아닙니다. 우리는 벡터 검색이 대규모에서 어떻게 작동해야 하는지를 새롭게 구상했습니다.
Cardinal은 데이터 특성과 하드웨어 설정을 기반으로 인덱스 구성을 자동으로 조정하는 AutoIndex를 도입합니다. 더 이상 수동 조정이나 성능 절충이 필요 없습니다. 이 시스템은 최적의 검색 성능을 제공하도록 지속적으로 적응하여, 개발 팀이 인프라 관리 대신 기능 구축에 집중할 수 있게 해줍니다.
내부적으로 Cardinal은 3계층 최적화 접근 방식을 사용합니다. 알고리즘 계층은 고급 IVF 기반 및 그래프 기반 접근 방식을 결합하여, 필터링된 결과에서도 높은 정확도를 유지합니다. 엔지니어링 계층은 실제 성능 향상을 위해 특화된 메모리 할당과 멀티스레딩을 구현합니다. 가장 낮은 수준에서는 x86 및 ARM 플랫폼을 위한 커널 최적화를 통해 표준 구현 대비 최대 3배의 속도 향상을 달성합니다.
엔터프라이즈 규모를 위한 프로덕션 준비 기능
벡터 데이터베이스가 AI 애플리케이션의 핵심 인프라가 됨에 따라, 우리는 Zilliz Cloud의 엔터프라이즈 기능을 전반적으로 강화했습니다.
Multi-replica 정식 출시
Multi-replica 기능이 이제 정식으로 제공되며, replica를 추가할수록 선형적인 QPS 개선을 제공합니다. 트래픽이 많은 애플리케이션의 경우 쿼리가 replica 전반에 자동으로 분산되어 지연 시간을 줄이고 효율성을 높입니다. 또한 시스템은 replica를 가용 영역 전반에 분산하여, 영역 장애 중에도 지속적인 운영을 보장합니다.
인프라 개선
성능 최적화 컴퓨팅 유닛의 용량을 50% 늘려, 이제 CU당 최대 150만 개의 벡터(768차원 기준)를 지원합니다. 대규모 배포의 경우 이는 약 30%의 비용 절감으로 이어집니다.
향상된 관측성
Prometheus와의 통합을 통해 시스템 메트릭을 실시간으로 모니터링할 수 있습니다. 인프라 상태부터 데이터 작업까지 모든 것을 포괄하는 26개 메트릭에 걸쳐 41개의 알림을 구현했습니다. 이러한 포괄적인 모니터링은 팀이 벡터 검색 인프라를 선제적으로 관리할 수 있도록 보장합니다.
간소화된 데이터 마이그레이션
성장하는 생태계를 지원하기 위해 Qdrant 및 Pinecone Serverless로부터의 마이그레이션 경로를 추가했습니다. 마이그레이션 프로세스는 데이터 무결성을 보존하면서 Zilliz Cloud의 향상된 기능을 사용할 수 있게 해줍니다.
인증 및 글로벌 입지
새로운 Auth0 기반 인증 시스템으로 보안과 편의성을 모두 제공하며, 이메일, GitHub/Google 인증, Okta를 통한 엔터프라이즈 SSO를 지원합니다. 또한 새로운 AWS Tokyo 리전으로 글로벌 입지를 확장하여, 전 세계 총 12개 리전을 갖추게 되었습니다.
개발자 경험 개선
기술적 개선을 넘어, 우리는 개발자 경험을 전면적으로 개편했습니다. 새로운 웹 콘솔은 향상된 시각화 도구와 간소화된 워크플로를 제공합니다. 또한 엔터프라이즈 워크플로를 위한 연장된 청구 주기, 자동 알림, 항목별 청구서를 통한 상세한 비용 가시성을 제공하도록 결제 시스템도 개선했습니다.
시작하기
이러한 기능은 이제 모든 Zilliz Cloud 배포에서 사용할 수 있습니다. 무료 티어(신용카드 필요 없음)로 살펴보거나, 최대 $200 크레딧이 제공되는 30일 엔터프라이즈 평가판을 사용해 보세요. 어떤 클라우드 마켓플레이스를 통해서든 구독하면 추가 $100 크레딧을 받을 수 있습니다.
자세한 문서와 마이그레이션 가이드는 당사의 documentation를 방문하세요.
계속 읽기
Context Engineering Strategies for AI Agents: A Developer’s Guide
Learn practical context engineering strategies for AI agents. Explore frameworks, tools, and techniques to improve reliability, efficiency, and cost.
Why AI Databases Don't Need SQL
Whether you like it or not, here's the truth: SQL is destined for decline in the era of AI.
Building RAG Pipelines for Real-Time Data with Cloudera and Milvus
explore how Cloudera can be integrated with Milvus to effectively implement some of the key functionalities of RAG pipelines.