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
How to Install and Run OpenClaw (Previously Clawdbot/Moltbot) on Mac
Turn your Mac into an AI gateway for WhatsApp, Telegram, Discord, iMessage, and more — in under 5 minutes.
How to Use Anthropic MCP Server with Milvus
MCP + Milvus: Streamline AI agent development with standardized data access, eliminating integration hassles while enhancing context and flexibility.
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.