Что нового в Milvus 2.3
Мы рады объявить о выпуске Milvus 2.3.0. Этот релиз содержит множество интересных новых функций и улучшений. В этой публикации блога мы расскажем о некоторых наиболее заметных функциях. Полный список изменений смотрите в заметках к выпуску.
📦 PyPI: https://pypi.org/project/milvus/
📚 Документация: https://milvus.io/docs
🛠️ Заметки к выпуску: https://milvus.io/docs/release_notes.md#v230
🐳 Docker Image: docker pull
🚀 Релиз: milvus-2.3.0
🖥️ Вычислительные улучшения с GPU и ARM64:
Индексирование GPU через Nvidia: QPS улучшился более чем втрое по сравнению с предыдущим индексированием CPU HNSW. Для вычислительно интенсивных наборов данных производительность выросла почти в десять раз.
Docker Image для ARM64: ARM CPUs обеспечивают прирост производительности на 20% и при этом на 20% более экономичны.
🔎 Улучшения поиска и индексирования:
Диапазонный поиск: Более детальный механизм поиска, обеспечивающий извлечение векторов на основе заданных расстояний от входного вектора, что делает извлечение данных по близости более интуитивным.
Интеграция индекса ScaNN: По сравнению с HNSW или IVFFlat индекс ScaNN обеспечивает повышение производительности на 20% и работает в семь раз быстрее, чем IVFFlat.
Growing Index: По мере поступления данных Milvus 2.3 индексирует их в реальном времени, обеспечивая более быстрое выполнение запросов.
🔀 Инструменты конвейера данных:
Итератор в Pymilvus: Позволяет пакетно экспортировать большие объемы векторов, что особенно полезно при работе с данными в десятки тысяч элементов.
Операция Upsert: Одновременное обновление или вставка данных в одном запросе, что упрощает управление данными и повышает эффективность.
Поддержка CDC: Облегчает синхронизацию данных между дата-центрами, позволяет выполнять инкрементальные резервные копии и обеспечивает плавную миграцию данных.
Мы также улучшили работоспособность системы, балансировку нагрузки и производительность запросов. Было исправлено несколько ошибок, и мы оптимизировали основные компоненты, такие как ‘QueryNode’. Наша система очередей сообщений была переработана для повышения эффективности. Кроме того, такие инструменты, как Birdwatcher и Attu, получили обновления для улучшения функциональности. Ознакомьтесь с заметками к выпуску Milvus 2.3, чтобы получить полный обзор.
Заключительные замечания:
Большое спасибо нашему сообществу разработчиков. Ваши вклады, PR и отзывы сформировали Milvus 2.3. Нам очень интересно увидеть, как вы интегрируете эти обновления, и мы ждем ваших дальнейших отзывов. Продолжайте писать код! 🖥️🔧
Читать далее
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.
Zilliz Cloud Enterprise Vector Search Powers High-Performance AI on AWS
Zilliz Cloud on AWS powers secure, scalable, ultra-fast vector search for enterprise AI apps, with BYOC, sub-10ms latency, and zero-DevOps simplicity.
Balancing Precision and Performance: How Zilliz Cloud's New Parameters Help You Optimize Vector Search
Optimize vector search with Zilliz Cloud’s level and recall features to tune accuracy, balance performance, and power AI applications.