Zilliz Cloud

O Zilliz Cloud roda o mesmo motor do Milvus de código aberto, mas cuida das atualizações, do escalonamento e do monitoramento para você. Isso importa se sua equipe quer busca vetorial sem contratar um especialista para vigiar clusters. A implantação automática e as ferramentas integradas substituem meses de configuração e ajuste manuais.

A plataforma escolhe sozinha uma estratégia de indexação para cada conjunto de dados por meio do AutoIndex e do seu motor Cardinal. Você não ajusta parâmetros na mão para conseguir um bom recall. Em equipes sem experiência profunda em busca vetorial, isso elimina a parte mais difícil do trabalho.

Você pode consultar vários campos vetoriais em uma única requisição, misturando vetores esparsos e densos ou combinando vetores densos com texto. Assim, os resultados ficam mais precisos que a busca puramente semântica quando os termos exatos importam, como códigos ou nomes de produto. Já buscou um número de peça específico e recebeu respostas confusas sem sentido? A busca híbrida resolve isso.

Uma arquitetura baseada em componentes deixa você escalar na horizontal conforme seus dados crescem. O desempenho se mantém estável tanto num protótipo pequeno quanto numa carga de produção com tráfego variável. No plano serverless, você paga só a computação que usa.

Os planos superiores adicionam SSO com SAML 2.0, controle de acesso granular por papéis, registros de auditoria e endpoints privados com peering de VPC, o que dá às equipes de segurança os controles que elas esperam antes de aprovar um novo armazenamento de dados. O plano Business Critical vai além com chaves de criptografia gerenciadas pelo cliente e controles elegíveis para HIPAA, algo que importa a equipes de saúde e finanças.

Você pode rodar totalmente gerenciado na nuvem da Zilliz, mantê-lo dentro da sua própria infraestrutura com o BYOC ou usar clusters dedicados com computação reservada. Cada opção traz o mesmo conjunto de recursos centrais, então você escolhe onde ele vive, não o que ele faz.

Vários níveis de consistência deixam você decidir quão recentes precisam ser os resultados, equilibrando precisão e velocidade. Você também escolhe a métrica de similaridade, como cosseno ou distância euclidiana, para casar com a forma como seus embeddings foram treinados.