如果将AI比作一台高速运转的机器引擎,那么数据便是它的燃料。

然而,存储数据的燃料库--传统数据库,在AI时代的效率瓶颈愈发明显,已经无法满足AI对于数据的全新需求。

因此,向量数据库近年来迅速崛起。向量数据库通过将非结构化数据转化为高维向量,转化为AI大模型能够“理解”的语义,犹如在数据与AI应用之间建立起桥梁,成为AI时代不可或缺的基础设施。

近日,亚马逊云科技出海大会在深圳召开。作为全球向量数据库公司领域的明星企业,Zilliz介绍了人工智能当下在数据层面所面临的挑战、向量数据库最新的市场动态和技术趋势,以及Zilliz如何与亚马逊云科技合作,将全球领先的基础设施、向量数据库服务以及生成式AI能力带给全球用户。

正如Zilliz 合伙人与产品负责人郭人通所言:“如果把人工智能的发展分为上、下半场,上半场主要是利用大规模数据去训练 AI 能力,支撑大模型或AI 能力的演进。而下半场,我们看到越来越多的智能体(Agent)深入到各个行业,反向产生海量的关键数据。因此,进入人工智能发展的下半场,企业更需要关注如何充分挖掘数据价值,实现AI应用的快速落地。”

向量数据库:AI时代不可或缺的数据基础设施

IDC预测,到2027年,全球86.8%的数据将是非结构化数据(如文本、图像、视频),但仅有18%的企业能有效利用这些数据。

对于AI而言,这些非结构化数据是极其宝贵的资源。那么,如何充分将非结构化数据利用起来就成为这个时代的一道必答题。

依靠传统数据库是否可行?面对生成式AI的检索增强生成(RAG)、多模态搜索等场景的高并发、低延迟的语义检索需求,传统关系型数据库的精确匹配模式显得笨拙且低效,而向量数据库则从传统数据湖中提取关键信息并编码成向量信息并构建索引,完美匹配了AI对于数据应用的需求。

因此,向量数据库已成为连接传统业务积累的原始数据与AI应用的关键环节,是AI时代不可或缺的数据基础设施。Zilliz 合伙人与产品负责人郭人通直言:“向量数据库可以帮助企业全面释放数据的潜力,从而让AI应用开发更加便捷与高效。”

Zilliz是一家专注向量数据库领域的明星企业。自2018年起,Zilliz便前瞻性地投入向量数据库系统的研发,其开源产品Milvus目前在GitHub上已获得超过3万星标,并吸引了数百位GitHub项目贡献者,并形成全球最大的向量数据库社区。

不过,向量数据库是否会是AI时代的唯一的选择?众所周知,当下很多传统数据库也在纷纷加入向量功能,以满足用户构建AI应用时的数据管理需求。对此,郭人通表示:“传统数据库与向量数据库是一对互补关系,而不是非此即彼的替代关系。对于一些传统数据分析类业务而言,传统数据库加入向量功能,可以很好地满足AI新需求;而对于一些新场景而言,天然就是围绕AI去构建,则需要专业的向量数据库。”

据悉,Zilliz在2023年开启商业化进程,凭借之前几年在开源领域的积累以及强大的技术实力,迅速在全球向量数据库市场获得突破。根据Forrester的评估,Zilliz在全球向量数据库领导者象限中排名第一,是目前向量数据库领域的领军企业。

在Zilliz商业化的过程中,与云服务商合作,借助云计算的力量,加速将优秀的向量数据库产品与服务推向全球用户,乃Zilliz近年来的成功之道。这其中,亚马逊云科技作为全球领先的云服务厂商,与Zilliz合作堪称典范。

郭人通表示:“Zilliz从创立之初就着眼于全球市场,亚马逊云科技凭借其全球覆盖的基础设施、稳定可靠的云和生成式AI服务、专业的安全合规理念与实践,以及全球营销和商业资源,为Zilliz全球业务拓展提供了有力支持,助力Zilliz触达全球头部企业级客户,并实现销量快速增长。”

当向量数据库与云计算相遇

众所周知,进入到AI时代,云计算已经成为众多新技术快速应用的最佳载体。云服务商无论是算力基础设施的规模、运维能力,还是资源使用模式,都能够为包括生成式AI、向量数据库等新技术提供最佳保障,可以让众多新技术企业将技术快速应用起来。

Zilliz与亚马逊云科技的合作就堪称AI时代的典范。通过与亚马逊云科技广泛和深入的合作,Zilliz快速为全球不同类型用户提供 24 小时不间断的向量数据库服务,助力全球企业及开发者打造高质量 AI 服务与应用。

具体来看,首先是在AI集成方面进行深度合作,Zilliz Cloud向量数据库解决方案通过应用Amazon Bedrock接入从文本到图像的一系列强大的基础模型,为企业提供原生的模型集成能力,支持用户构建Embedding流程与复杂的数据检索流程,轻松将非结构化数据转换为嵌入 ( Embedding)向量,简化数据处理流程,充分释放非结构化数据潜能。此外,Zilliz还应用完全托管的机器学习平台Amazon SageMaker,赋能开发人员和数据科学家快速构建、训练和部署机器学习模型,助力客户实现高效的向量索引和检索。

其次,Zilliz Cloud 基于Amazon Elastic Compute Cloud (Amazon EC2)丰富的实例类型实现了多实例类型与大规模部署,提供了包括性能型、容量型、存储扩展型等多套深度优化的解决方案,满足用户不同的负载需求。此外,基于Kubernetes容器编排服务Amazon Elastic Kubernetes Service(Amazon EKS) ,Zilliz可以在亚马逊云科技上使用 Kubernetes 轻松部署、管理和扩展容器化应用程序,提升整体资源利用率,并加速产品发布与迭代过程。Zilliz还将大部分应用运行在亚马逊云科技Amazon Graviton3实例之上,帮助应用成本优化提升20%以上。

第三,Zilliz Cloud 基于云中可大规模扩展的对象存储服务Amazon Simple Storage Service (Amazon S3)构建高可靠的数据存储与存算分离架构模式,大幅提升数据存储效率。

第四,Zilliz充分利用亚马逊云科技在安全合规上的积累,实现了向量数据库服务的安全与合作。通过应用Amazon Key Management Service(Amazon KMS)、Web应用程序防火墙Amazon WAF、Amazon ALB、Amazon GuardDuty等一系列网络和安全服务,Zilliz可持续监控恶意活动和未经授权的行为,构建安全可靠的向量数据库服务,实现对数据、应用和基础设施的安全保护,平均每日抵御上千条异常访问。此外,借助亚马逊云科技在数据安全标准与合规性上的众多认证,Zilliz可以满足各国监管机构的合规性要求,可在全球不同区域为客户提供安全合规的高质量服务。

最后,在运维层面,Zilliz应用Amazon Q 帮助技术团队更快熟悉亚马逊云科技的服务,简化信息访问、加强信息检索与优化配置,相比直接阅读产品文档,可为技术人员节省50%以上的检索时间。

据悉,通过与亚马逊云科技的合作,Zilliz如今已经实现全球业务快速扩张,目前已经完成了全球8个区域部署,横跨北美、欧洲和亚洲,满足全球用户就近接入需求;此外,Zilliz Cloud上架到亚马逊云科技Marketplace(海外区)之后,企业用户在Marketplace上面为服务付费即可,大幅简化了企业采购流程,使得Zilliz大幅提升销售转化。

“面向未来更大规模的AI数据应用,Zilliz还将继续与亚马逊云科技深耕合作,依托亚马逊云科技领先的云和生成式AI服务,构建更加稳定可靠的向量数据库基础设施,助力企业高效搭建AI应用,实现持续商业变革。”Zilliz 合伙人与产品负责人郭人通介绍道。

亚马逊云科技的出海战略升级

众所周知,2024 年是中国供应链全面深度出海的一年,中国企业走出去已经成为重要的趋势。

随之而来的,中国出海企业遇到的挑战也在不断增加,既有来来自地缘政治的不可控因素,也有各地区不同合规监管的迥异需求,更有生成式AI技术对于传统产品改革的变化,这一切都需要借助云计算、新技术来应对。

就像亚马逊云科技中国区行业集群总经理沈涛所言,过去十余年,亚马逊云科技始终站在支持中国企业出海的最前沿,提供全球一致的服务能力、开发工具与合规资源。 亚马逊云科技与Zilliz等合作伙伴一起,为出海企业提供更完整、更专业、更合规、更体系化的一站式服务,帮助中国企业持续在全球提升业务竞争力,航向深蓝。

事实上,为了更好地服务中国企业出海,亚马逊云科技已经对战略进行升级,建立起‘三横一纵’的支持体系,主要包括,三横:覆盖全球、稳定高可用的基础设施及领先的云和生成式 AI 服务 、专业的安全合规理念和技术能力提供一站式出海合规解决方案和全球资源及合作伙伴网络打造企业出海“朋友圈” 加速全球业务拓展;一纵则是聚焦出海9大行业的赋能,打造“行业解决方案资产库”。

“基于过往的经验,以及行业客户全链路出海的需求,更基于生成式AI重塑行业创新的新趋势,亚马逊云科技宣布全面升级中企出海业务战略,组建来自产品、业务拓展、合作伙伴、安全合规、解决方案、市场营销等各领域专家在内的专属支持团队及驻扎在全球各地的出海特种兵团队,更好地服务中国企业出海。”沈涛最后表示道。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.pswp.cn/diannao/82041.shtml
繁体地址,请注明出处:http://hk.pswp.cn/diannao/82041.shtml
英文地址,请注明出处:http://en.pswp.cn/diannao/82041.shtml

如若内容造成侵权/违法违规/事实不符,请联系英文站点网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Media3 中 Window 的时间相关属性详解

AndroidX Media3 的 Timeline.Window 类中,与时间相关的属性描述了媒体播放窗口(window)在时间维度上的关键信息。这些属性帮助开发者理解媒体的播放范围、起始点、持续时间以及与设备时间或直播流的同步关系。 Timeline.Window 的时间相关属…

【Python爬虫电商数据采集+数据分析】采集电商平台数据信息,并做可视化演示

前言 随着电商平台的兴起,越来越多的人开始在网上购物。而对于电商平台来说,商品信息、价格、评论等数据是非常重要的。因此,抓取电商平台的商品信息、价格、评论等数据成为了一项非常有价值的工作。本文将介绍如何使用Python编写爬虫程序&a…

工业相机的芯片CRA角度与镜头选型的匹配关系

工业相机的芯片CRA角度与镜头选型的匹配关系 Baumer工业相机​工业相机的芯片CRA角度的技术背景​工业相机的芯片CRA的信息CRA相差过大的具体表现怎样选择工业相机sensor的CRABaumer工业相机sensor的CRA工业相机的芯片CRA角度与镜头匹配好的优点 Baumer工业相机 工业相机是常用…

深度学习中常见的矩阵变换函数汇总(持续更新...)

1. 转置操作 (Transpose) 概念:将矩阵的行和列互换应用场景: 在卷积神经网络中转换特征图维度矩阵乘法运算前的维度调整数据预处理过程中的特征重排 原始矩阵 A [[1, 2, 3], 转置后 A^T [[1, 4],[4, 5, 6]] [2, 5],[3, 6]]代码…

day 14 SHAP可视化

一、原理——合作博弈论 SHAP(SHapley Additive exPlanations)是一种用于解释机器学习模型预测结果的方法,它基于合作博弈论中的 Shapley 值概念。Shapley 值最初用于解决合作博弈中的利益分配问题。假设有 n 个参与者共同合作完成一项任务并…

从0开始学习大模型--Day03--Agent规划与记忆

规划(planning) 规划,可以为理解观察和思考。如果用人类来类比,当我们接到一个任务,我们的思维模式可能会像下面这样: 1、首先会思考怎么完成这个任务。 2、然后会审视手头上所拥有的工具,以及如何使用这…

使用 Couchbase Analytics Service 的典型步骤

下面是使用 Couchbase Analytics Service 的典型步骤,包括部署、配置、创建数据集、运行查询以及监控优化等环节。 首先,您需要安装并启用 Analytics 服务;然后将节点加入集群并重平衡;接着在 Analytics 中映射数据服务的集合&am…

从零开始学习人工智能(Python高级教程)Day6-Python3 正则表达式

一、Python3 正则表达式 正则表达式是一个特殊的字符序列,它能帮助你方便的检查一个字符串是否与某种模式匹配。 在 Python 中,使用 re 模块来处理正则表达式。 re 模块提供了一组函数,允许你在字符串中进行模式匹配、搜索和替换操作。 r…

MATLAB导出和导入Excel文件表格数据并处理

20250507 1.MATLAB使用table函数和writetable函数将数据导出Excel表格文件 我们以高斯函数为例子,高斯函数在数学和工程领域有着广泛的应用,它的一般形式为: 其中是均值,决定了函数的中心位置; 是标准差,决…

推荐一组WPF自定义控件开源项目

.Net Core从零学习搭建权限管理系统教程 推荐一组WPF自定义控件开源项目。 项目简介 这是基于WPF开发的,为开发人员提供了一组方便使用自定义组件,并提供了各种常用的示例。 包含组件:数据表格、属性列表、树形列表、选色器、单选框列表、…

allegro出gerber时,单击Artwork并没有弹窗的问题

使用allegro出gerber时,有时点击 Artwork图标并未如愿以偿的弹出窗口。。。 可按下面尝试恢复,注,删除前可先备份该两支文件。。。 看时间戳,删除最近的下面标红两支文件即可。

常用设计模式在 Spring Boot 项目中的实战案例

引言​ 在当今的软件开发领域,Spring Boot 以其高效、便捷的特性成为构建 Java 应用程序的热门框架。而设计模式作为软件开发中的宝贵经验总结,能够显著提升代码的可维护性、可扩展性和可复用性。本文将深入探讨几种常用设计模式在 Spring Boot 项目中的…

《饶议科学》阅读笔记

《饶议科学》 《偷窃的生物学机制:(有些)小偷有药可治》阅读笔记 核心内容:探讨偷窃狂(kleptomania)的生物学机制及相关研究。具体要点 偷窃狂的特征:患者不可抑制地反复偷窃个人不需要、与金钱…

从零开始搭建第一个Spring Boot应用:从入门到精通

1. Spring Boot简介与核心概念 1.1 什么是Spring Boot? Spring Boot是Spring框架的一个扩展,它简化了基于Spring的应用程序的初始搭建和开发过程。通过自动配置和约定优于配置的原则,Spring Boot让开发者能够快速启动和运行项目。 通俗理解…

c# LINQ-Query01

文章目录 查询数据源标准查询分两类即时查询已推迟流式处理非流式处理分类表聚合Aggregate<TSource,TAccumulate,TResult>(IEnumerable<TSource>, TAccumulate, Func<TAccumulate,TSource,TAccumulate>, Func<TAccumulate,TResult>)Aggregate<TSour…

AI恶魔之眼使用说明书

AI恶魔之眼使用说明书 产品简介 1.1 产品介绍 AI恶魔之眼是一款具备动态视觉效果与仿生眼睛模拟功能的智能显示产品&#xff0c;可实现以下特性&#xff1a; 真实人眼模拟&#xff1a;支持虹膜样式变换、眨眼动画、瞳孔缩放等动态特效&#xff0c;仿真度高自定义内容上传&am…

CAN报文逆向工程

在没有DBC文件的情况下解析CAN报文获取物理信息需要逆向工程和系统分析。以下是详细步骤&#xff1a; 1. 数据采集与基础分析 采集原始数据&#xff1a; 使用CAN分析工具&#xff08;如PCAN-Explorer、SavvyCAN或USB-CAN适配器配套软件&#xff09;记录车辆在不同状态下的CAN数…

KL散度(Kullback-Leibler Divergence):概率分布差异的量化利器

目录 1. 什么是KL散度?关键特点:2. KL散度的数学公式离散分布的KL散度公式:连续分布的KL散度公式:3. KL散度的计算示例示例1:离散分布示例2:连续分布(高斯分布)4. KL散度的核心性质1. 非对称性2. 非负性3. 与熵的关系5. KL散度与相关性的关系1. KL散度 ≠ 相关性2. 间接…

二叉树的遍历与构造

唉&#xff0c;好想回家&#xff0c;我想回家跟馒头酱玩&#xff0c;想老爸老妈。如果上天再给我一次选择的机会&#xff0c;我会选择当一只小动物&#xff0c;或者当棵大树也好&#xff0c;或者我希望自己不要有那么多多余的情绪&#xff0c;不要太被别人影响&#xff0c;开心…

leetcode 141. Linked List Cycle

题目描述&#xff1a; 代码&#xff1a; 用哈希表也可以解决&#xff0c;但真正考察的是用快慢指针法。 /*** Definition for singly-linked list.* struct ListNode {* int val;* ListNode *next;* ListNode(int x) : val(x), next(NULL) {}* };*/ class Soluti…