Что нового в Milvus 2.3.2 и 2.3.3
Представляем версии Milvus 2.3.2 и 2.3.3! Эти последние релизы приносят множество улучшений, направленных на повышение производительности и удобства использования нашей системы векторных баз данных. При подготовке этих обновлений мы тщательно учли отзывы нашего сообщества разработчиков.
📦 PyPI: https://pypi.org/project/milvus/
📚 Документация: https://milvus.io/docs
🛠️ Примечания к релизу:
🐳 Docker Image: docker pull
🚀 Релиз: milvus-2.3.3
Основные моменты:
Новые функции
🔍 Поддержка типов данных Array - Milvus теперь поддерживает типы данных Array, что позволяет выполнять точную фильтрацию метаданных. Например, в электронной коммерции это дает возможность выполнять расширенный поиск по нескольким тегам товаров, обеспечивая высокую релевантность результатов поиска запросам пользователей.
🧹 Поддержка сложных выражений удаления - В Milvus 2.3.2 или 2.3.3 разработчики могут задавать подробные критерии удаления данных, обеспечивая точную очистку, например ротацию старых данных или удаление по требованиям GDPR на основе идентификаторов пользователей. Обратите внимание, что удаление не является атомарным; используйте его с осторожностью для точного управления данными.
🗂️ Интеграция TiKV для хранения метаданных - Благодаря интеграции TiKV для хранения метаданных Milvus получает улучшенную масштабируемость и стабильность. Архитектура TiKV разработана для эффективной обработки крупномасштабного хранения метаданных, гарантируя, что Milvus сможет масштабироваться под требования растущих наборов данных без ущерба для стабильности.
🌀 Поддержка векторного типа FP16 - Поддержка векторного типа FP16 в Milvus повышает эффективность машинного обучения. Этот формат данных широко используется в глубоком обучении и ML благодаря способности более эффективно представлять и обрабатывать числовые значения, что приводит к более быстрым и менее ресурсоемким операциям машинного обучения.
📊 Поддержка Vector Index MMAP - Выйдите за рамки отображения только необработанных данных 2.3.0; теперь вы также можете отображать индекс. Эта функция позволяет хранить больше данных на той же машине и обеспечивает гибкость в хранении данных при одновременной экономии затрат.
Улучшение
🔄 Опыт rolling upgrade - Milvus усилил функцию rolling upgrade в версиях 2.3.2 и 2.3.3, обеспечивая оптимизированный и эффективный переход для пользователей, обновляющихся с версии 2.2.15 менее чем за 5 минут.
🚀 Оптимизация производительности - Минимизация операций копирования данных для оптимизированной загрузки данных, упрощение вставок большого объема с помощью batch varchar reading, удаление ненужных проверок offset при заполнении данных и устранение высокого потребления CPU в сценариях со значительными вставками данных.
В дополнение к выделенным улучшениям Milvus 2.3.2 и 2.3.3 предлагают множество новых функций и усовершенствований. Это включает обновленный CDC (Change Data Capture), теперь способный реплицировать сообщения MQ (Message Queue), обеспечивая синхронизацию данных в реальном времени. Разработчики также могут использовать массовую вставку данных binlog с ключами партиций, оптимизируя процессы приема данных. Кроме того, эти версии знаменуют возвращение бинарных типов метрик, таких как SUBSTRUCTURE и SUPERSTRUCTURE, расширяя диапазон вариантов представления данных. Мы рекомендуем разработчикам посетить наши примечания к релизу, чтобы получить полный обзор всех новых функций и улучшений.
Заключительные примечания
Мы непоколебимы в своем стремлении постоянно совершенствовать Milvus, отвечая динамично меняющимся потребностям нашего сообщества разработчиков. Искренне благодарим наше активное сообщество разработчиков, чьи вклады, PR и ценные отзывы сыграли ключевую роль в формировании дорожной карты Milvus. Нам не терпится увидеть, как эти обновления органично интегрируются в ваши проекты разработки, и мы ждем ваших отзывов. Продолжайте писать код, внедрять инновации и формировать будущее ИИ! 🤖🧠
Читать далее
Milvus 2.6.x Now Generally Available on Zilliz Cloud, Making Vector Search Faster, Smarter, and More Cost-Efficient for Production AI
Milvus 2.6.x is now GA on Zilliz Cloud, delivering faster vector search, smarter hybrid queries, and lower costs for production RAG and AI applications.
Why and How to Migrate from Self-Hosted Milvus to Zilliz Cloud
A simple, step-by-step guide to migrating from Milvus to Zilliz Cloud. Learn both endpoint and backup methods for a smooth, scalable vector database migration.
Introducing DeepSearcher: A Local Open Source Deep Research
In contrast to OpenAI’s Deep Research, this example ran locally, using only open-source models and tools like Milvus and LangChain.