Zilliz Cloud

Zilliz Cloud führt dieselbe Engine wie das Open-Source-Milvus aus, übernimmt aber Upgrades, Skalierung und Monitoring für Sie. Das zählt, wenn Ihr Team Vektorsuche will, ohne eine Fachkraft für die Cluster-Betreuung einzustellen. Automatisiertes Deployment und integrierte Werkzeuge ersetzen monatelange manuelle Einrichtung und Abstimmung.

Die Plattform wählt für jeden Datensatz automatisch eine Indexierungsstrategie, über AutoIndex und die Cardinal-Suchmaschine. Sie stimmen keine Parameter von Hand ab, um guten Recall zu erzielen. Für Teams ohne tiefe Erfahrung in der Vektorsuche fällt damit der schwerste Teil der Arbeit weg.

Sie können mehrere Vektorfelder in einer Anfrage abfragen und dabei dünnbesetzte mit dichten Vektoren mischen oder dichte Vektoren mit Text kombinieren. Die Ergebnisse werden genauer als bei reiner semantischer Suche, wenn exakte Begriffe zählen, etwa Produktcodes oder Namen. Schon einmal eine bestimmte Teilenummer gesucht und schwammigen Unsinn zurückbekommen? Die hybride Suche löst das.

Eine komponentenbasierte Architektur lässt Sie horizontal skalieren, während Ihre Daten wachsen. Die Leistung bleibt stabil, ob bei einem kleinen Prototyp oder einer Produktionslast mit schwankendem Verkehr. Im serverless Tarif zahlen Sie nur die Rechenleistung, die Sie tatsächlich nutzen.

Die höheren Tarife ergänzen SSO mit SAML 2.0, feingranulare rollenbasierte Zugriffskontrolle, Audit-Protokolle und private Endpunkte mit VPC-Peering. So bekommen Sicherheitsteams die Kontrollen, die sie vor der Freigabe eines neuen Datenspeichers erwarten. Der Business Critical Tarif geht weiter mit vom Kunden verwalteten Verschlüsselungsschlüsseln und HIPAA-tauglichen Kontrollen, was für Teams im Gesundheits- und Finanzwesen zählt.

Sie können vollständig gemanagt in der Cloud von Zilliz laufen, es mit BYOC in Ihrer eigenen Infrastruktur halten oder dedizierte Cluster mit reservierter Rechenleistung nutzen. Jede Option trägt denselben Kernfunktionsumfang, Sie wählen also den Ort, nicht die Funktion.

Mehrere Konsistenzstufen lassen Sie entscheiden, wie aktuell Ihre Suchergebnisse sein müssen, und gleichen Genauigkeit gegen Geschwindigkeit ab. Auch die Ähnlichkeitsmetrik wählen Sie, etwa Kosinus oder euklidische Distanz, passend dazu, wie Ihre Embeddings trainiert wurden.