Milvus 2.3 Beta e atualizações Enterprise no Zilliz Cloud
Zilliz Cloud agora oferece a versão beta do Milvus 2.3, marcando uma atualização significativa na tecnologia de banco de dados vetorial. Esta versão apresenta recursos destinados a aprimorar os processos de gerenciamento e consulta de dados para desenvolvedores. Paralelamente, a Zilliz Cloud está introduzindo novos recursos voltados para empresas, refletindo o compromisso de oferecer suporte a soluções de dados escaláveis e robustas em ambientes profissionais.
Destaques dos recursos disponíveis do Milvus 2.3
O Milvus 2.3, disponível em beta na Zilliz Cloud, apresenta vários recursos importantes que revolucionam as interações com bancos de dados vetoriais.
A integração da similaridade de cosseno no Milvus 2.3 traz recursos avançados para cálculos de similaridade, eliminando a necessidade de normalização prévia de vetores e simplificando os processos de busca. O novo recurso Range Search amplia o escopo da consulta vetorial, oferecendo métodos de recuperação de dados mais precisos e diversos, o que é particularmente benéfico para mecanismos de recomendação. A funcionalidade Upsert, uma adição significativa, simplifica o gerenciamento de dados. Ela aumenta a eficiência na atualização e manipulação de conjuntos de dados, um benefício essencial em ambientes dinâmicos nos quais a consistência e a atomicidade dos dados são fundamentais.
Consulte a documentação para obter mais detalhes sobre recursos adicionais, como retornos de vetores brutos, o filtro JSON_CONTAINS, contagem de entidades e muito mais.
Recursos empresariais aprimorados
Em paralelo a esses avanços de busca vetorial nativa de IA, a Zilliz Cloud introduziu atualizações significativas em recursos empresariais. O sistema aprimorado de Controle de Acesso Baseado em Função (RBAC) agora inclui novas funções de membros do projeto, permitindo um controle de acesso mais personalizado e melhorando a segurança em nível de projeto. A disponibilidade geral da região AWS UE Frankfurt expande as opções geográficas, atendendo a diversas necessidades técnicas e regulatórias. Além disso, a introdução do recurso de Exclusão de Conta e Organização por Autoatendimento concede aos usuários mais controle e flexibilidade no gerenciamento de contas. Esses aprimoramentos e outras melhorias em estabilidade e experiência do usuário destacam a adaptabilidade e o poder da Zilliz Cloud para atender a variados requisitos empresariais.
Disponibilidade da Zilliz Cloud no Azure
A Zilliz Cloud agora está disponível no Microsoft Azure, estreando na região azure-east-us. Essa expansão oferece aos desenvolvedores e empresas que usam Azure uma nova opção para gerenciar cargas de trabalho de bancos de dados vetoriais. Esse movimento também marca a conclusão da disponibilidade da Zilliz Cloud nas principais plataformas de nuvem, incluindo AWS e Google Cloud.
Nossa dedicação ao Azure vai além dessa conquista, com melhorias futuras, como a expansão para novas regiões do Azure, oferecendo maior flexibilidade para implantar a Zilliz Cloud com base nas suas necessidades. Além disso, a Zilliz Cloud em breve estará acessível no Azure Marketplace, simplificando os processos de gerenciamento e pagamento.
Conclusão
Seu feedback é crucial para a evolução do Milvus e da Zilliz Cloud. Convidamos nossa comunidade de desenvolvedores a compartilhar suas opiniões e solicitações de recursos por meio do nosso canal do Discord ou entrando em contato conosco diretamente. Seus insights são fundamentais para moldar o futuro da nossa tecnologia de banco de dados vetorial. Vamos colaborar para criar as soluções de dados mais eficazes e centradas no usuário.
Continue lendo
Migrating Self-Managed Milvus to Zilliz Cloud for >99% Latency Reduction
Step-by-step guide to migrating 50M vectors from self-managed Milvus to Zilliz Cloud using milvus-backup. Achieve >99% query latency reduction with zero data loss.
Cosmos World Foundation Model Platform for Physical AI
NVIDIA's Cosmos platform enables safe, digital twin training of GenAI models for physical applications, overcoming data scarcity and safety challenges.
DeepRAG: Thinking to Retrieval Step by Step for Large Language Models
Discover DeepRAG, an advanced retrieval-augmented generation (RAG) model that improves LLM accuracy by retrieving only essential data through step-by-step reasoning.