1.什么是milvus
Milvus是在2019年创建的，其唯一目标是存储、索引和管理由深度神经网络和其他机器学习（ML）模型生成的大规模嵌入向量。
非结构化数据包括电子邮件、论文、物联网传感器数据、Facebook照片、蛋白质结构等等。为了使计算机能够理解和处理非结构化数据，使用嵌入技术将它们转换为向量。Milvus存储和索引这些向量。Milvus能够通过计算它们的相似距离来分析两个向量之间的相关性。如果两个嵌入向量非常相似，则意味着原始数据源也很相似。
2.Milvus的设计原理
https://www.milvus-io.com/architecture_overview
3.应用场景
Milvus使得向应用中添加相似性搜索变得容易。Milvus的示例应用包括：
图像相似性搜索：使图像可搜索，并即时返回来自大型数据库中最相似的图像。
视频相似性搜索：通过将关键帧转换为向量，然后将结果输入Milvus，可以在几乎实时的时间内搜索和推荐数十亿个视频。
音频相似性搜索：快速查询大量音频数据，如语音、音乐、音效和表面相似的声音。
分子相似性搜索：针对指定分子进行极快的相似性搜索、子结构搜索或超结构搜索。
推荐系统：根据用户行为和需求推荐信息或产品。
问答系统：交互式数字问答聊天机器人，自动回答用户的问题。
DNA序列分类：通过比较相似的DNA序列，在毫秒级别准确地分类一个基因。
文本搜索引擎：通过将关键字与文本数据库进行比较，帮助用户找到他们正在寻找的信息
4.index类型
FLAT：FLAT最适合于在小规模，百万级数据集上寻求完全准确和精确的搜索结果的场景。
IVF_FLAT：IVF_FLAT是一种量化索引，最适合于在精度和查询速度之间寻求理想平衡的场景。
IVF_SQ8：IVF_SQ8是一种量化索引，最适合于在磁盘、CPU和GPU内存消耗非常有限的场景中显著减少资源消耗。如果要求95%以上召回精度则不建议选择
IVF_PQ：IVF_PQ是一种量化索引，最适合于在高查询速度的情况下以牺牲精度为代价的场景。
HNSW：HNSW是一种基于图形的索引，最适合于对搜索效率有很高需求的场景。
ANNOY：ANNOY是一种基于树形结构的索引，最适合于寻求高召回率的场景
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。