O que há de novo no Milvus 2.3
Estamos entusiasmados em anunciar o lançamento do Milvus 2.3.0. Esta versão contém muitos novos recursos e melhorias empolgantes. Esta publicação no blog destacará alguns dos recursos mais importantes. Para uma lista completa de alterações, não deixe de conferir as notas de lançamento.
📦 PyPI: https://pypi.org/project/milvus/
📚 Docs: https://milvus.io/docs
🛠️ Notas de lançamento: https://milvus.io/docs/release_notes.md#v230
🐳 Imagem Docker: docker pull
🚀 Lançamento: milvus-2.3.0
🖥️ Atualizações computacionais com GPU & ARM64:
Indexação por GPU via Nvidia: O QPS melhorou mais de três vezes em comparação com a indexação HNSW anterior por CPU. Para conjuntos de dados intensivos em computação, há um aumento de desempenho de quase dez vezes.
Imagem Docker ARM64: CPUs ARM oferecem um aumento de desempenho de 20%, sendo ao mesmo tempo 20% mais econômicas.
🔎 Melhorias de busca e indexação:
Busca por intervalo: Um mecanismo de busca mais granular que possibilita a recuperação vetorial com base em distâncias definidas a partir de um vetor de entrada, tornando as recuperações de dados baseadas em proximidade mais intuitivas.
Integração do índice ScaNN: Em comparação com HNSW ou IVFFlat, o índice ScaNN oferece uma melhoria de desempenho de 20% e é sete vezes mais rápido que IVFFlat.
Índice em crescimento: À medida que os dados entram em fluxo, o Milvus 2.3 os indexa em tempo real, garantindo execuções de consultas mais rápidas.
🔀 Ferramentas de pipeline de dados:
Iterador no Pymilvus: Permite a exportação em lote de grandes quantidades de vetores, especialmente benéfica ao lidar com dados na casa das dezenas de milhares.
Operação de Upsert: Atualização ou inserção simultânea de dados em uma única solicitação, simplificando o gerenciamento de dados e aumentando a eficiência.
Suporte a CDC: Facilita a sincronização de dados entre data centers, permite backups incrementais e garante uma migração de dados tranquila.
Também melhoramos a operabilidade do sistema, o balanceamento de carga e o desempenho das consultas. Vários bugs foram corrigidos, e otimizamos componentes principais, como o ‘QueryNode’. Nosso sistema de fila de mensagens foi reformulado para maior eficiência. Além disso, ferramentas como Birdwatcher e Attu receberam atualizações para melhor funcionalidade. Explore as notas de lançamento do Milvus 2.3 para uma visão geral abrangente.
Notas finais:
Um grande obrigado à nossa comunidade de desenvolvedores. Suas contribuições, PRs e feedback moldaram o Milvus 2.3. Estamos ansiosos para ver como vocês integram estas atualizações e aguardamos seu feedback contínuo. Continuem programando! 🖥️🔧
Continue lendo
Build Multimodal Search for 3D Assets with Tripo and Zilliz Cloud
Generate 3D assets with Tripo, then search them by text, image, and metadata with multimodal embeddings and Zilliz Cloud.
Vector Databases vs. Key-Value Databases
Use a vector database for AI-powered similarity search; use a key-value database for high-throughput, low-latency simple data lookups.
What is the K-Nearest Neighbors (KNN) Algorithm in Machine Learning?
KNN is a supervised machine learning technique and algorithm for classification and regression. This post is the ultimate guide to KNN.