Zilliz Cloud

Zilliz Cloud ejecuta el mismo motor que el Milvus de código abierto, pero se encarga por ti de las actualizaciones, el escalado y la monitorización. Eso importa si tu equipo quiere búsqueda vectorial sin contratar a un especialista que vigile los clústeres. El despliegue automático y las herramientas integradas sustituyen meses de configuración y ajuste manual.

La plataforma elige sola una estrategia de indexación para cada conjunto de datos mediante AutoIndex y su motor Cardinal. No ajustas parámetros a mano para lograr un buen recall. En equipos sin experiencia profunda en búsqueda vectorial, esto elimina la parte más difícil.

Puedes consultar varios campos vectoriales en una sola petición, mezclando vectores dispersos y densos o combinando vectores densos con texto. Así los resultados son más precisos que con búsqueda puramente semántica cuando importan los términos exactos, como códigos o nombres de producto. ¿Alguna vez buscaste un número de pieza concreto y recibiste respuestas borrosas sin sentido? La búsqueda híbrida lo arregla.

Una arquitectura por componentes te deja escalar en horizontal a medida que crecen tus datos. El rendimiento se mantiene estable tanto en un prototipo pequeño como en una carga de producción con tráfico variable. En el plan serverless pagas solo el cómputo que usas.

Los planes superiores añaden SSO con SAML 2.0, control de acceso granular por roles, registros de auditoría y endpoints privados con emparejamiento de VPC, lo que da a los equipos de seguridad los controles que esperan antes de aprobar un nuevo almacén de datos. El plan Business Critical va más lejos con claves de cifrado gestionadas por el cliente y controles aptos para HIPAA, algo que importa a equipos de salud y finanzas.

Puedes ejecutarlo totalmente gestionado en la nube de Zilliz, mantenerlo dentro de tu propia infraestructura con BYOC o usar clústeres dedicados con cómputo reservado. Cada opción lleva el mismo conjunto de funciones base, así que eliges dónde vive, no qué hace.

Varios niveles de consistencia te dejan decidir qué tan recientes deben ser los resultados, equilibrando precisión y velocidad. También eliges la métrica de similitud, como coseno o distancia euclidiana, para que encaje con cómo se entrenaron tus embeddings.