O melhor banco de dados vetorial acaba de ficar ainda melhor
Impulsionados pela adoção generalizada do ChatGPT e de outros LLMs, os bancos de dados vetoriais viram sua popularidade aumentar em 2023.
Embora muitos clientes da Zilliz Cloud usem nosso serviço em algum tipo de sistema de geração aumentada por recuperação (RAG), também vimos adoção em vários sistemas de busca e recuperação. Isso não é uma anomalia; de modo geral, a Zilliz Cloud foi concebida como uma forma de os computadores realmente entenderem dados gerados por humanos, de textos e imagens a transações bancárias e comportamentos de usuários.
Hoje, apresentamos o próximo passo em nossa evolução ao adicionar uma série de novos recursos à Zilliz Cloud - busca por intervalo, multilocação e RBAC, desempenho de busca e indexação até 10x melhor, e muito mais. Mas por que decidimos introduzir esses recursos? A resposta é simples: nossos usuários exigiram isso. As aplicações que eles estão criando e os desafios de engenharia que estão enfrentando exigem um banco de dados vetorial purpose-built que ofereça suporte a recursos essenciais de banco de dados e a uma variedade de cargas de trabalho. No restante deste post, vou me aprofundar em três casos de uso reais de clientes nos quais os novos recursos da Zilliz Cloud não foram apenas benéficos, mas essenciais para o desenvolvimento e o sucesso das aplicações de nossos usuários.
Vamos nos aprofundar.
Agentes autônomos eficientes
Memória - fragmentos e partes de texto inseridos na janela de contexto de um LLM para fornecer informações históricas - é, sem dúvida, um dos componentes mais importantes de um agente autônomo (personagem virtual). As janelas de contexto são severamente limitadas por três motivos diferentes: 1) elas não são infinitas, 2) contextos longos desaceleram significativamente a geração de texto, e 3) a maioria dos LLMs de contexto longo tende apenas a "lembrar" informações no início e no fim da janela de contexto. Bancos de dados vetoriais resolvem todos esses problemas.
Vamos usar um bot de atendimento ao cliente ou agente de suporte como exemplo. Nesta aplicação, muitas informações diferentes, ou seja, a base de conhecimento original, todos os prompts do usuário, imagens enviadas pelos usuários, trechos de áudio, todas as respostas do agente etc., devem ser armazenadas na Zilliz Cloud para permitir recuperação rápida. Sempre que um cliente digita uma mensagem, todo o conteúdo relevante da base de conhecimento e das conversas anteriores deve ser recuperado, tornando essa carga de trabalho intensiva tanto em leitura quanto em escrita, com toneladas de dados de mensagens armazenados por segundo.
Para tornar esse problema ainda mais desafiador, os dados fornecidos a esse agente de atendimento ao cliente são inerentemente multimodais; a busca textual simplesmente não é suficiente. A arquitetura de banco de dados distribuído da Zilliz já oferece suporte a isso em enorme escala - aumentando a contagem de nós de consulta para maior taxa de transferência de leitura e a contagem de nós de dados para maior taxa de transferência de escrita - mas nosso novo mecanismo de busca vetorial Cardinal foi o fator decisivo final. O Cardinal inclui nosso próprio índice vetorial proprietário, uma série de otimizações de computação no nível do código de máquina e algoritmos sensíveis a cache, entre muitas outras otimizações de desempenho. Resumindo, para esta aplicação específica, a Zilliz Cloud acabou permitindo a mesma taxa de transferência de busca e indexação de outros bancos de dados vetoriais por menos de um terço do preço. Onde o custo anual era proibitivo para outras soluções de busca vetorial, nós entramos em cena e tornamos esse agente autônomo uma realidade.
Recomendação de produtos
Sistemas de recomendação são projetados para oferecer uma variedade de conteúdos, e,g. produtos, notícias, conteúdo de usuários, etc, com base no histórico anterior de visualização ou navegação de um consumidor. Bancos de dados vetoriais são perfeitos para esse tipo de aplicação - ao vetorizar e armazenar cada item individual no Zilliz Cloud, recomendações podem ser realizadas simplesmente chamando collection.search. Os vizinhos mais próximos resultantes são, eles próprios, as recomendações mais relevantes.
Recomendações rápidas e relevantes são indispensáveis para qualquer produto B2C, mas, no mundo do e-commerce, recomendações de produtos são especialmente cruciais para a experiência geral e podem ser impulsionadores de receita incrivelmente eficientes. Uma das principais missões dos nossos usuários era melhorar o desempenho do seu sistema de recomendação de produtos aproveitando IA. Como muitos outros, seu caso de uso era extremamente sensível à latência - as consultas ao seu banco de dados vetorial precisavam ser concluídas em até 10 milissegundos para manter uma boa experiência para o usuário final - e exigia throughput moderado. Além disso, essas recomendações não eram buscas genéricas. Seus usuários finais frequentemente precisavam de recomendações filtradas (como dimensões específicas para vestuário ou um determinado tamanho de sapato). Essa complexidade se estendia à natureza dos dados dos produtos, que era inerentemente multimodal, abrangendo títulos, descrições e imagens dos produtos.
O Cardinal permitiu que eles atendessem aos seus requisitos de desempenho, mas o schema dinâmico e o suporte a JSON do Zilliz Cloud provaram ser um divisor de águas aqui. Isso permitiu que o cliente adaptasse seus modelos de dados às características específicas de cada classe de produto, garantindo que os metadados variados e complexos pudessem ser armazenados e consultados eficientemente com cada vetor. Essa adaptabilidade, combinada com o desempenho superior do Cardinal, foi o fator decisivo para esse cliente em particular.
Descoberta de medicamentos impulsionada por IA
A descoberta de medicamentos é um problema incrivelmente difícil. Moléculas para medicamentos podem variar em tamanho, desde "moléculas pequenas" com dezenas de átomos até grandes biológicos com dezenas de milhares de átomos. Machine learning pode vetorizar cada molécula, criando uma representação baseada em sua função, como tratar uma doença ou sintoma específico.
Nesse processo, o recurso de busca por intervalo do Zilliz Cloud desempenha um papel crucial. Pesquisadores vetorizam sua doença ou sintoma-alvo e pesquisam no Zilliz Cloud por medicamentos candidatos. A busca por intervalo vai além das buscas top-k padrão ao encontrar todos os vetores (moléculas) dentro de uma certa distância do alvo, fornecendo todos os candidatos relevantes em vez de um número fixo. Esse recurso não é apenas vital para a descoberta de medicamentos, mas também aplicável em áreas como detecção de fraudes e segurança cibernética. Por exemplo, no setor bancário, transações são vetorizadas e comparadas com novas transações usando busca por intervalo para identificar atividades passadas semelhantes, auxiliando na detecção de outliers.
Palavras finais
RAG tem sido e continuará sendo incrivelmente importante para nós, mas é apenas a ponta do iceberg dos bancos de dados vetoriais. Aqui, apresentamos três casos de uso do mundo real diretamente possibilitados por alguns dos novos recursos que estamos anunciando hoje. Ao comparar o Zilliz Cloud com outros bancos de dados vetoriais, esses recursos foram, e continuarão sendo, o fator determinante para o sucesso.
Dito isso, não acredite apenas na minha palavra. Muitos tipos de dados podem ser vetorizados, armazenados e consultados dentro do Zilliz Cloud. Experimente agora gratuitamente, sem complicações de instalação, e deixe a revolução dos dados começar.
Continue lendo
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.
Introducing Zilliz Cloud Global Cluster: Region-Level Resilience for Mission-Critical AI
Zilliz Cloud Global Cluster delivers multi-region resilience, automatic failover, and fast global AI search with built-in security and compliance.
AI Integration in Video Surveillance Tools: Transforming the Industry with Vector Databases
Discover how AI and vector databases are revolutionizing video surveillance with real-time analysis, faster threat detection, and intelligent search capabilities for enhanced security.