Milvus的深度实践是怎样的

Milvus作为一个开源的分布式向量搜索引擎，凭借其出色的产品设计和工程实现，已被多家不同行业的科技公司融合进各种行业解决方案中。

Milvus向量搜索引擎可以对接包括图片识别，视频处理，声音识别，自然语言处理等深度学习模型，为向量化后的非结构数据提供搜索分析服务。

那么，用户是如何使用Milvus呢？

首先用户将通过深度学习模型将非结构化数据转化为特征向量导入Milvus库中，Milvus对特征向量进行存储并建立索引。检索时，先将待搜索的非结构化数据转换为特征向量，然后在Milvus中进行搜索，Milvus将返回搜索结果，再通过特征向量结果找到对应的非结构化数据。

Milvus搜索引擎架构如图

基于人脸识别技术的“一人一档”是当前在人像管理中常见的应用场景，通过对道路卡口摄像头采集的数据集进行聚类归档，从而建立人像档案，并将各个档案打上标签，首先是人脸聚类，是指对前端摄像头收集来的人脸照片进行分类，将同一个人的照片聚为一类，然后建立每个人的个人档案。“一人一档”在智慧城市，智能安防等诸多领域都有广泛应用。然而，城市中各个卡口每天收集到的人脸图片数量高达千万级，在庞大的数据集中，要快速又精确的完成对人脸的聚类并非易事。

为了更加高效地完成人脸聚类，云从结合Milvus向量搜索引擎实现了大规模实时人脸聚类，基于动态数据建立一人一档。在其中一款产品的研发场景 中，首先将数千万张人脸图片提取为特征向量，再将转化好的数千万条向量导入Milvus的表中。然后通过Milvus批量搜索功能，对给定的一个批量（N张）的人脸图片向量在导入好的底库中进行搜索，得到底库中分别与这数百张人脸图片相似度为Top-K个人脸，结果集为N*K张人脸，即完成了底库中对这N张人脸图片的初步聚类。

得益于Milvus向量搜索引擎的加速，在数千万级别的图库中，在数秒内就能完成上千张人脸图片的聚类，平均每张人脸图片的聚类只需数十毫秒，同时召回率保持在95%以上。

该场景下的人脸聚类实现流程：

Milvus的高性能、高召回率有效助力了“人脸聚类，一人一档”的系统建设，能保证档案系统数据的及时更新、保证数据的鲜活性。从而可以充分利用采集到的数据，挖掘数据价值。