milvus介绍

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