Как Poizon ускоряет покупки на базе ИИ с помощью векторного поиска миллиардного масштаба, используя Zilliz Cloud
Время отклика менее 90 мс
для векторного поиска в масштабе миллиардов
Более низкая общая стоимость
чем самостоятельно управляемая установка
Сложность 3-кластерной конфигурации устранена
для продакшена
Ориентированный на инновации
вместо обслуживания
О Poizon
Poizon — одна из самых быстрорастущих социальных e-commerce платформ в Азии, эволюционировавшая от маркетплейса, ориентированного на кроссовки, в комплексное направление моды и lifestyle. Ежедневно обслуживая миллионы пользователей, Poizon использует возможности на базе ИИ — включая визуальный поиск, автоматическую проверку подлинности, персонализированные рекомендации и предотвращение мошенничества, — чтобы обеспечивать удобный и надежный опыт покупок.
За кулисами Poizon обрабатывает огромные объемы визуальных и текстовых данных для обеспечения работы маркетплейса, аутентификации товаров и функций сообщества. Мгновенный и точный поиск товаров является ключевым фактором его конкурентного преимущества, что делает высокопроизводительный векторный поиск критически важной основой для удовлетворенности клиентов и роста бизнеса..
Задача: создание инфраструктуры для AI-нагрузок миллиардного масштаба
Poizon использует GenAI-технологии в нескольких критически важных сценариях:
Поиск по изображению – позволяет пользователям мгновенно находить похожие товары через загрузку изображений
Аутентификация на базе ИИ – автоматически проверяет подлинность люксовых товаров
Оптимизация алгоритмов – усиливает рекомендательные системы и поиск товаров
Безопасность и контроль рисков – предотвращает мошенничество и защищает платформу
Каждая из этих возможностей зависит от надежной инфраструктуры векторной базы данных. Руководство Poizon понимало, что долгосрочная конкурентоспособность компании будет зависеть от способности предоставлять быстрый, интеллектуальный и надежный опыт на базе ИИ. Для достижения этой цели команде была нужна инфраструктура, способная обрабатывать векторные операции миллиардного масштаба, сохраняя время отклика менее 90 мс — уровень производительности, необходимый для вовлечения пользователей.
Гибридная стратегия векторной базы данных для производительности и экономической эффективности
Poizon протестировала различные варианты, включая Milvus и Qdrant, на реальных данных, воспроизводя типичные запросы и измеряя две целевые задержки: менее 90 мс для критически важных путей и менее 500 мс для очень больших наборов данных. Также сравнивались варианты индексов — HNSW по умолчанию, DiskANN для больших наборов с низким QPS, — а также масштабирование Kubernetes, эксплуатация после запуска и поддержка сообщества.
Milvus оказался более подходящим решением. Он соответствовал стеку команды на базе Go, хорошо масштабировался в Kubernetes и имел активное локальное сообщество, которое ускоряло устранение неполадок и обмен знаниями. Он надежно показал себя в длительных нагрузочных тестах, а команда могла при необходимости адаптировать инструменты — например, настроить milvus-backup так, чтобы пропускать проблемные сегменты. Milvus стал стандартом для векторных нагрузок Poizon.
По мере роста масштаба Poizon вновь проанализировала, как добиться сверхнизкой задержки. Бенчмарки, shadow-тестирование трафика и A/B-тесты показали четкое разделение: самостоятельно управляемый Milvus с DiskANN идеально подходит для больших наборов данных с умеренными требованиями к задержке, тогда как управляемый Milvus (также известный как Zilliz Cloud) стабильно обеспечивает планку менее 90 мс на миллиардном масштабе при меньших операционных усилиях.
В среде Poizon дальнейшее масштабирование самостоятельно управляемых кластеров приводило к снижению отдачи — задержка стабилизировалась примерно на уровне ~200 мс даже после масштабирования до 60 QueryNodes, главным образом из-за взаимодействий QueryNode–Proxy. Достижение менее 90 мс on-prem потребовало бы как минимум трех параллельных кластеров и сложной логики multi-read/multi-write — это возможно, но дорого и тяжело в эксплуатации.
Milvus подтвердил, что является оптимальным выбором: он соответствовал стеку Poizon на базе Go, плавно масштабировался в Kubernetes и поддерживался активным сообществом. Poizon применила гибридный подход: Zilliz Cloud для нагрузок, критичных к задержке (таких как визуальный поиск и AI-аутентификация), и самостоятельно управляемый Milvus для экономически эффективных сценариев со стабильной производительностью менее 500 мс, обеспечивая как скорость облачного масштаба, так и операционную эффективность.
Результаты: более быстрый поиск, более стройная архитектура, больше инноваций
Внедрение Zilliz Cloud обеспечило немедленные, измеримые улучшения во всей AI-powered commerce платформе Poizon:
Производительность менее 90 мс – Zilliz Cloud стабильно обеспечивал сверхнизкую задержку, необходимую для визуального поиска и AI-аутентификации, — чего self-managed Milvus не мог предоставить даже после масштабирования до 60 QueryNodes, когда производительность вышла на плато на уровне ~200 мс.
Более простая и экономически эффективная архитектура – Устранив необходимость в сложной конфигурации из трех кластеров и логике multi-write/multi-read, Zilliz Cloud не только упростил эксплуатацию, но и снизил затраты. Управляемый сервис превзошел то, чего могла бы достичь дорогостоящая self-managed альтернатива.
Фокус инженерной команды перенаправлен на инновации – После устранения инфраструктурных узких мест инженерная команда Poizon отошла от настройки и обслуживания базы данных и вместо этого сосредоточилась на создании AI-функций, которые усиливают их конкурентное преимущество в e-commerce.
Взгляд в будущее: создание превосходного конвейера данных
Имея в основе высокопроизводительную векторную базу данных, Poizon теперь сосредоточена на создании лучшего в своем классе конвейера данных для следующего этапа AI-инноваций.
Инженерная команда создает автоматизированные инструменты миграции и загрузки данных, которые позволят бизнес-командам сосредоточиться на приложениях, основанных на данных, в то время как администраторы БД будут управлять квантизацией и загрузкой данных за кулисами. Это ускорит развертывание новых AI-функций в различных бизнес-подразделениях без необходимости ручной подготовки.
Параллельно Poizon разрабатывает инструменты проверки согласованности данных — совместно с внутренними командами и сообществом Milvus, — чтобы обеспечить соответствие между вышестоящими системами, такими как MySQL, и их векторными базами данных. Эти усилия защитят целостность данных во всем AI-конвейере, заложив основу для масштабируемых и надежных AI-инноваций.
Заключение
Путь Poizon показывает, как правильная стратегия векторной базы данных может раскрыть AI-инновации в масштабе. Сочетая Zilliz Cloud для нагрузок, критичных к производительности, с self-managed Milvus для сценариев, оптимизированных по затратам, компания устранила инфраструктурные узкие места и освободила своих инженеров, чтобы они могли сосредоточиться на создании дифференцированных AI-функций.
Для e-commerce-компаний, стремящихся к AI-powered опыту, гибридный подход Poizon демонстрирует, что инфраструктура — это не просто технический выбор, а конкурентное преимущество. Когда производительность и надежность гарантированы, путь к прорывному пользовательскому опыту становится неизбежным.
- О Poizon
- Задача: создание инфраструктуры для AI-нагрузок миллиардного масштаба
- Гибридная стратегия векторной базы данных для производительности и экономической эффективности
- Результаты: более быстрый поиск, более стройная архитектура, больше инноваций
- Взгляд в будущее: создание превосходного конвейера данных
- Заключение
Контент
Пример использования
Отрасль
Электронная коммерция