Como a Poizon acelera as compras impulsionadas por IA com pesquisa vetorial em escala de bilhões usando o Zilliz Cloud
Tempos de resposta abaixo de 90 ms
para buscas vetoriais em escala de bilhões
Menor custo total
do que a configuração autogerenciada
complexidade de 3 clusters eliminada
para produção
Focado na inovação
em vez de manutenção
Sobre a Poizon
A Poizon é uma das plataformas de e-commerce social de crescimento mais rápido da Ásia, evoluindo de um marketplace focado em tênis para um destino abrangente de moda e lifestyle. Atendendo milhões de usuários diariamente, a Poizon aproveita recursos baseados em IA — incluindo busca visual, verificação automatizada de autenticidade, recomendações personalizadas e prevenção de fraudes — para oferecer experiências de compra fluidas e confiáveis.
Nos bastidores, a Poizon processa volumes massivos de dados visuais e textuais para impulsionar operações de marketplace, autenticação de produtos e recursos de comunidade. Oferecer descoberta de produtos instantânea e precisa é central para sua vantagem competitiva — tornando a busca vetorial de alto desempenho uma base crítica para a satisfação do cliente e o crescimento dos negócios..
O Desafio: Construir Infraestrutura para Workloads de IA em Escala de Bilhões
A Poizon depende de tecnologias de GenAI em vários cenários de missão crítica:
Busca por Imagem – permitindo que os usuários encontrem instantaneamente produtos semelhantes por meio de uploads de imagens
Autenticação com IA – verificando automaticamente a autenticidade de artigos de luxo
Otimização de Algoritmos – fortalecendo mecanismos de recomendação e descoberta de produtos
Segurança e Controle de Risco – prevenindo fraudes e protegendo a plataforma
Cada uma dessas capacidades depende de uma infraestrutura robusta de banco de dados vetorial. A liderança da Poizon reconheceu que sua competitividade de longo prazo dependeria de oferecer experiências impulsionadas por IA rápidas, inteligentes e confiáveis. Para atingir esse objetivo, a equipe precisava de uma infraestrutura capaz de lidar com operações vetoriais em escala de bilhões, mantendo tempos de resposta abaixo de 90 ms — níveis de desempenho essenciais para o engajamento dos usuários.
Uma Estratégia Híbrida de Banco de Dados Vetorial para Desempenho e Eficiência de Custos
A Poizon testou várias opções, incluindo Milvus e Qdrant com dados reais, reproduzindo consultas típicas e medindo duas metas de latência: abaixo de 90 ms para caminhos de missão crítica e abaixo de 500 ms para conjuntos de dados muito grandes. Eles também compararam opções de índice — HNSW como padrão, DiskANN para conjuntos grandes/de baixo QPS — além de escalabilidade em Kubernetes, operações do segundo dia e suporte da comunidade.
O Milvus foi a opção mais adequada. Ele se alinhou ao stack baseado em Go da equipe, escalou de forma limpa no Kubernetes e contava com uma comunidade doméstica ativa que acelerou a resolução de problemas e o compartilhamento de conhecimento. Teve desempenho confiável em testes de longa duração, e a equipe pôde adaptar ferramentas quando necessário — por exemplo, ajustando o milvus-backup para ignorar segmentos problemáticos. O Milvus tornou-se o padrão em todos os workloads vetoriais da Poizon.
À medida que a escala cresceu, a Poizon revisitou como atingir latência ultrabaixa. Benchmarks, espelhamento de tráfego e testes A/B mostraram uma divisão clara: o Milvus autogerenciado com DiskANN é ideal para grandes conjuntos de dados com metas de latência moderadas, enquanto o Milvus gerenciado (também conhecido como Zilliz Cloud) atende consistentemente ao patamar abaixo de 90 ms em escala de bilhões com menos esforço operacional.
No ambiente da Poizon, levar clusters autogerenciados mais longe resultou em retornos decrescentes — a latência estabilizou em torno de ~200 ms mesmo após escalar para 60 QueryNodes, em grande parte devido às interações QueryNode–Proxy. Alcançar menos de 90 ms on-prem teria exigido pelo menos três clusters paralelos e uma lógica complexa de multi-read/multi-write — possível, mas cara e pesada de operar.
O Milvus provou ser a melhor opção — alinhando-se ao stack baseado em Go da Poizon, escalando suavemente no Kubernetes e apoiado por uma comunidade ativa. A Poizon adotou uma abordagem híbrida: Zilliz Cloud para workloads sensíveis à latência (como busca visual e autenticação com IA) e Milvus autogerenciado para cenários eficientes em custos com desempenho estável abaixo de 500 ms — entregando tanto velocidade em escala de nuvem quanto eficiência operacional.
Os Resultados: Busca Mais Rápida, Arquitetura Mais Enxuta, Maior Inovação
A adoção do Zilliz Cloud trouxe melhorias imediatas e mensuráveis em toda a plataforma de comércio da Poizon impulsionada por IA:
Desempenho abaixo de 90 ms – O Zilliz Cloud alcançou consistentemente a latência ultrabaixa necessária para busca visual e autenticação por IA—algo que o Milvus autogerenciado não conseguia entregar, mesmo após escalar para 60 QueryNodes, quando o desempenho se estabilizou em ~200 ms.
Arquitetura mais simples e mais econômica – Ao eliminar a necessidade de uma configuração complexa de três clusters e de lógica de múltiplas gravações/múltiplas leituras, o Zilliz Cloud não apenas simplificou as operações, mas também reduziu custos. O serviço gerenciado superou o que uma alternativa autogerenciada cara poderia ter alcançado.
Foco da engenharia redirecionado para a inovação – Com os gargalos de infraestrutura resolvidos, a equipe de engenharia da Poizon deixou de lado o ajuste e a manutenção de bancos de dados e passou a se concentrar na criação de recursos impulsionados por IA que fortalecem sua vantagem competitiva no e-commerce.
Olhando para o futuro: construindo excelência em pipeline de dados
Com uma base de banco de dados vetorial de alto desempenho em vigor, a Poizon agora está focada em construir um pipeline de dados de primeira classe para impulsionar a próxima etapa da inovação em IA.
A equipe de engenharia está criando ferramentas automatizadas de migração e ingestão que permitirão às equipes de negócios focar em aplicações orientadas por dados, enquanto os DBAs gerenciam a quantização e a ingestão nos bastidores. Isso acelerará o lançamento de novos recursos de IA em todas as unidades de negócios sem o ônus da preparação manual.
Paralelamente, a Poizon está desenvolvendo ferramentas de validação de consistência de dados—em conjunto com equipes internas e a comunidade Milvus—para garantir o alinhamento entre sistemas upstream como MySQL e seus bancos de dados vetoriais. Esses esforços protegerão a integridade dos dados em todo o pipeline de IA, estabelecendo a base para uma inovação em IA escalável e confiável.
Conclusão
A jornada da Poizon ilustra como a estratégia certa de banco de dados vetorial pode desbloquear a inovação em IA em escala. Ao combinar o Zilliz Cloud para cargas de trabalho críticas de desempenho com o Milvus autogerenciado para cenários otimizados em custo, a empresa removeu gargalos de infraestrutura e liberou seus engenheiros para se concentrar na entrega de recursos de IA diferenciados.
Para empresas de e-commerce que buscam experiências impulsionadas por IA, a abordagem híbrida da Poizon demonstra que infraestrutura não é apenas uma escolha técnica—é uma vantagem competitiva. Com desempenho e confiabilidade assegurados, o caminho para experiências de usuário revolucionárias torna-se inevitável.
- Sobre a Poizon
- O Desafio: Construir Infraestrutura para Workloads de IA em Escala de Bilhões
- Uma Estratégia Híbrida de Banco de Dados Vetorial para Desempenho e Eficiência de Custos
- Os Resultados: Busca Mais Rápida, Arquitetura Mais Enxuta, Maior Inovação
- Olhando para o futuro: construindo excelência em pipeline de dados
- Conclusão
Conteúdo
Caso de uso
Indústria
Comércio eletrónico