Elastic a annoncé de nouveaux gains de performance pour les bases de données vectorielles avec Elasticsearch et Apache Lucene, avec une vitesse multipliée par 8 et une efficacité multipliée par 32. Ces avancées offrent aux développeurs les outils les plus flexibles et les plus ouverts nécessaires pour suivre l'innovation rapide en matière d'IA générative. Les nouvelles stratégies d'optimisation et les améliorations à l'origine des gains accrus dans Elasticsearch et Apache Lucene sont les suivantes : Les capacités de recherche multithread exécutent les recherches dans des segments indépendants, minimisant les temps de réponse et garantissant que les utilisateurs reçoivent leurs résultats de recherche aussi rapidement que possible ; la recherche vectorielle multigraphique accélérée et l'échange d'informations entre les recherches segmentées, réduisant la latence des requêtes jusqu'à 60 % ; l'intégration API vectorielle Panama permettant au code Java de s'interfacer de manière transparente avec les instructions SIMD, ouvrant une nouvelle ère d'optimisation des performances de la recherche vectorielle ; Maximisation de l'efficacité de la mémoire avec la quantification scalaire, réduisant l'utilisation de la mémoire d'environ 75 % sans sacrifier les performances de recherche ; Améliorations de la compression transparente qui maintiennent la précision des résultats de recherche tout en réduisant la taille des données, jetant les bases de la quantification binaire qui offrira tout le potentiel de la recherche vectorielle tout en maximisant l'utilisation des ressources et l'évolutivité ; Intégration multi-vectorielle dans Lucene et Elasticsearch qui permet des recherches dans des documents imbriqués et des jointures, rendant les recherches de documents dans Lucene plus efficaces.

Les clients construisent la prochaine génération d'applications de recherche basées sur l'IA avec la base de données vectorielle et la technologie de recherche vectorielle d'Elastic. Par exemple, Roboflow est utilisé par plus de 500 000 ingénieurs pour créer des ensembles de données, former des modèles et déployer des modèles de vision par ordinateur en production. Roboflow utilise la base de données vectorielles Elastic pour stocker et rechercher des milliards d'enregistrements vectoriels.