ชาร์ลส์ เซี่ย ผู้ก่อตั้งและซีอีโอของ Zilliz – ซีรีส์สัมภาษณ์

ชาร์ลส์ เซี่ย เป็นผู้ก่อตั้งและซีอีโอของ Zilliz โดยมุ่งเน้นในการสร้างฐานข้อมูลและเทคโนโลยีการค้นหาชั่วรุ่นต่อไปสำหรับการใช้งาน AI และ LLMs ใน Zilliz เขาได้คิดค้น Milvus ซึ่งเป็นฐานข้อมูลเวกเตอร์แบบเปิดซอร์สที่ได้รับความนิยมมากที่สุดสำหรับการใช้งาน AI ที่พร้อมสำหรับการผลิตในปัจจุบัน เขาเป็นสมาชิกคณะกรรมการของ LF AI & Data Foundation และเคยดำรงตำแหน่งประธานคณะกรรมการในปี 2020 และ 2021 ชาร์ลส์เคยทำงานที่ Oracle (ORCL ) ในตำแหน่งวิศวกรผู้ก่อตั้งโครงการฐานข้อมูล Oracle 12c Cloud ชาร์ลส์毕业จากมหาวิทยาลัย Wisconsin-Madison ด้วยปริญญาโทสาขาวิทยาการคอมพิวเตอร์

Zilliz เป็นทีมที่อยู่เบื้องหลัง LF AI Milvus® ซึ่งเป็นฐานข้อมูลเวกเตอร์แบบเปิดซอร์สที่ใช้กันอย่างแพร่หลาย บริษัทมุ่งเน้นในการทำให้การบริหารจัดการโครงสร้างพื้นฐานข้อมูลง่ายขึ้น โดยมีเป้าหมายในการทำให้ AI มีความเข้าถึงได้ง่ายสำหรับองค์กรธุรกิจ องค์กร และบุคคลทั่วไป

คุณสามารถแบ่งปันเรื่องราวเบื้องหลังการก่อตั้ง Zilliz และสิ่งที่启發คุณในการพัฒนา Milvus และมุ่งเน้นไปที่ฐานข้อมูลเวกเตอร์หรือไม่?

การเดินทางของฉันในด้านฐานข้อมูลมีระยะเวลามากกว่า 15 ปี รวมทั้ง 6 ปีที่เป็นวิศวกรซอฟต์แวร์ที่ Oracle โดยที่ฉันเป็นสมาชิกผู้ก่อตั้งโครงการ Oracle 12c Multitenant Database ในช่วงเวลานั้น ฉันสังเกตเห็นข้อจำกัดหลักๆ ว่าข้อมูลที่มีโครงสร้างถูกจัดการได้ดี แต่ข้อมูลที่ไม่มีโครงสร้างซึ่งประกอบขึ้นเป็น 90% ของข้อมูลทั้งหมดยังคงไม่ได้รับการจัดการอย่างมีประสิทธิภาพ โดยมีเพียง 1% เท่านั้นที่ถูกวิเคราะห์อย่างมีความหมาย

ในปี 2017 ความสามารถที่เพิ่มขึ้นของ AI ในการประมวลผลข้อมูลที่ไม่มีโครงสร้างถือเป็นจุดเปลี่ยนสำคัญ การพัฒนาของ NLP แสดงให้เห็นว่าข้อมูลที่ไม่มีโครงสร้างสามารถถูกแปลงเป็นเวกเตอร์เอ็มเบดดิ้ง ซึ่งเปิดเผยความหมายเชิงซีแมนติกของมัน สิ่งนี้启發ฉันในการก่อตั้ง Zilliz โดยมีวิสัยทัศน์ที่จะจัดการ “zillions of data” เวกเตอร์เอ็มเบดดิ้งกลายเป็นรากฐานสำหรับการเชื่อมช่องว่างระหว่างข้อมูลที่ไม่มีโครงสร้างและข้อมูลเชิงลึกที่สามารถนำไปใช้ได้จริง เราได้พัฒนา Milvus เป็นฐานข้อมูลเวกเตอร์ที่ถูกออกแบบมาโดยเฉพาะเพื่อนำวิสัยทัศน์นี้มาเป็นจริง

ในช่วงสองปีที่ผ่านมา อุตสาหกรรมได้ตรวจสอบแนวทางนี้แล้ว โดยตระหนักถึงฐานข้อมูลเวกเตอร์เป็นรากฐานสำหรับการจัดการข้อมูลที่ไม่มีโครงสร้าง สำหรับเรา มันไม่ใช่แค่เรื่องเทคโนโลยี แต่เป็นเรื่องของการให้อำนาจมนุษยชาติในการใช้ประโยชน์จากข้อมูลที่ไม่มีโครงสร้างในยุค AI

การเดินทางของ Zilliz มีวิวัฒนาการอย่างไรตั้งแต่เริ่มก่อตั้งเมื่อ 6 ปีที่แล้ว และคุณได้เผชิญกับความท้าทายหลักๆ อะไรในการเป็นผู้บุกเบิกพื้นที่ฐานข้อมูลเวกเตอร์?

การเดินทางได้เปลี่ยนแปลงไปอย่างมาก เมื่อเริ่ม Zilliz เมื่อ 7 ปีที่แล้ว ความท้าทายที่แท้จริงไม่ใช่การระดมทุนหรือการหาพนักงาน แต่เป็นการสร้างผลิตภัณฑ์ในพื้นที่ที่ไม่มีแผนที่หรือแนวทางที่ชัดเจน เราต้องสร้างเส้นทางของเราเอง

ความสำเร็จของเรามาเมื่อเราทำให้ Milvus เป็นโอเพ่นซอร์ส โดยการลดข้อจำกัดในการนำไปใช้และเพิ่มการมีส่วนร่วมของชุมชน เราได้รับข้อเสนอแนะที่มีคุณค่าจากผู้ใช้ในการปรับปรุงและพัฒนาผลิตภัณฑ์ เมื่อ Milvus เปิดตัวในปี 2019 เรามีผู้ใช้ประมาณ 30 คนภายในสิ้นปี ซึ่งเพิ่มขึ้นเป็นมากกว่า 200 คนในปี 2020 และเกือบ 1,000 คนไม่นานหลังจากนั้น

ปัจจุบัน ฐานข้อมูลเวกเตอร์ได้เปลี่ยนจากแนวคิดใหม่ๆ ไปเป็นโครงสร้างพื้นฐานที่จำเป็นในยุค AI ซึ่งยืนยันวิสัยทัศน์ที่เราเริ่มต้นด้วย

ในฐานะบริษัทฐานข้อมูลเวกเตอร์ Zilliz มีความสามารถทางเทคนิคที่เป็นเอกลักษณ์อะไรบ้างในการสนับสนุนการค้นหเวกเตอร์แบบหลายรูปแบบในแอปพลิเคชัน AI สมัยใหม่?

Zilliz ได้พัฒนาเทคนิคที่ทันสมัยในการสนับสนุนการค้นหเวกเตอร์แบบหลายรูปแบบ:

1. การค้นหไฮบริด : เราเปิดใช้งานการค้นหาที่同时ข้ามหลายรูปแบบ เช่น การรวมคุณลักษณะภาพเข้ากับข้อความอธิบาย
2. อัลกอริทึมที่ได้รับการปรับให้เหมาะสม : เทคนิคการควอนไทซ์แบบเฉพาะของเราให้ความสมดุลระหว่างความแม่นยำของการเรียกคืนและประสิทธิภาพของหน่วยความจำสำหรับการค้นหาที่ข้ามรูปแบบต่างๆ
3. การประมวลผลแบบเรียลไทม์และออฟไลน์ : ระบบของเราสนับสนุนการเขียนแบบเรียลไทม์ที่มีความหน่วงต่ำและการนำเข้าออฟไลน์ที่มีปริมาณสูง เพื่อให้แน่ใจถึงความสดใหม่ของข้อมูล
4. ความมีประสิทธิภาพด้านต้นทุน : ตัวอย่างของเราสามารถใช้การเก็บข้อมูลแบบหลายระดับเพื่อลดต้นทุนการเก็บข้อมูลอย่างมากในขณะเดียวกันก็รักษาความสามารถในการทำงานสูง
5. โมเดล AI ที่ฝังตัว : โดยการรวมโมเดลการฝังและจัดอันดับแบบหลายรูปแบบ เราได้ลดข้อจำกัดในการนำไปใช้สำหรับการใช้งานการค้นหาที่ซับซ้อน

ความสามารถเหล่านี้ช่วยให้นักพัฒนาได้จัดการกับข้อมูลที่หลากหลายได้อย่างมีประสิทธิภาพ ทำให้แอปพลิเคชัน AI สมัยใหม่更加แข็งแกร่งและหลากหลาย

คุณเห็นว่าการพัฒนาของ Multimodal RAG จะขยายความสามารถของ AI ในการรับมือกับข้อมูลที่ซับซ้อนในโลกแห่งความเป็นจริง เช่น ภาพ เสียง และวิดีโอ พร้อมกับข้อความได้อย่างไร?

การค้นหาที่เพิ่มขึ้นของ Multimodal RAG (Retrieval-Augmented Generation) เป็นตัวแทนของการเปลี่ยนแปลงที่สำคัญใน AI ในขณะที่ RAG แบบข้อความได้รับการยอมรับอย่างกว้างขวาง ข้อมูลส่วนใหญ่ขององค์กรประกอบด้วยภาพ วิดีโอ และเสียง ความสามารถในการรวมรูปแบบเหล่านี้เข้ากับกระบวนการทำงานของ AI ถือเป็นสิ่งจำเป็น

การเปลี่ยนแปลงนี้มาในเวลาที่เหมาะสม เนื่องจากชุมชน AI กำลังถกเถียงถึงข้อจำกัดของข้อมูลข้อความที่มีอยู่สำหรับการฝึกอบรม ในขณะที่ข้อมูลข้อความมีปริมาณจำกัด ข้อมูลหลายรูปแบบยังคงไม่ได้รับการใช้ประโยชน์อย่างเต็มที่ ซึ่งรวมถึงวิดีโอขององค์กร ฟิล์มฮอลลีวูด และการบันทึกเสียง

การค้นหาที่เพิ่มขึ้นของ Multimodal RAG เปิดใช้งานแหล่งข้อมูลที่ไม่ได้รับการใช้ประโยชน์นี้ ทำให้ระบบ AI สามารถประมวลผลและใช้ประโยชน์จากข้อมูลเหล่านี้ได้ ไม่ใช่แค่การแก้ไขปัญหาขาดแคลนข้อมูล แต่เป็นการขยายขอบเขตของความสามารถของ AI ในการเข้าใจและโต้ตอบกับโลกแห่งความเป็นจริง

คุณสามารถอธิบายถึงสิ่งที่ทำให้ Zilliz แตกต่างจากคู่แข่งในตลาดฐานข้อมูลเวกเตอร์ที่เติบโตอย่างรวดเร็วได้อย่างไร?

Zilliz มีความโดดเด่นผ่านหลายด้านที่เป็นเอกลักษณ์:

1. อัตลักษณ์แบบสองหน้า : เราเป็นทั้งบริษัท AI และบริษัทฐานข้อมูล โดยผลักดันขอบเขตของการจัดการข้อมูลและการผสานรวม AI
2. การออกแบบแบบคลาวด์ : Milvus 2.0 เป็นฐานข้อมูลเวกเตอร์แบบกระจายที่ใช้โครงสร้างการเก็บข้อมูลและคำนวณแบบแยกจากกัน ซึ่งทำให้สามารถขยายขนาดและลดต้นทุนได้สำหรับเวกเตอร์มากกว่า 100 พันล้านรายการ
3. การปรับปรุงแบบเฉพาะ : เครื่องยนต์ Cardinal ของเราให้ประสิทธิภาพ 3 เท่าของ Milvus แบบเปิดซอร์ส และ 10 เท่าของคู่แข่ง เรายังเสนอการสร้างดัชนีบนได스크และระบบเก็บข้อมูลแบบหลายระดับเพื่อการขยายขนาดที่มีประสิทธิภาพ
4. นวัตกรรมอย่างต่อเนื่อง : ตั้งแต่ความสามารถในการค้นหไฮบริดไปจนถึงเครื่องมือในการย้ายข้อมูลอย่าง VTS เรากำลังพัฒนาเทคโนโลยีฐานข้อมูลเวกเตอร์อย่างต่อเนื่อง

ความมุ่งมั่นของเราในการเปิดซอร์สทำให้มีความยืดหยุ่น ในขณะที่บริการจัดการของเรา Zilliz Cloud นำเสนอประสิทธิภาพระดับองค์กรพร้อมความซับซ้อนที่ลดลง

คุณสามารถอธิบายถึงความสำคัญของ Zilliz Cloud และบทบาทของมันในการทำให้ AI และบริการค้นหเวกเตอร์เข้าถึงได้สำหรับนักพัฒนาสมaller และองค์กรธุรกิจ?

การค้นหเวกเตอร์ได้ถูกใช้โดยยักษ์ใหญ่เทคโนโลยีตั้งแต่ปี 2015 แต่การนำไปใช้ที่เป็นกรรมสิทธิ์จำกัดการนำไปใช้ของมันในวงกว้าง ใน Zilliz เรากำลังทำให้เทคโนโลยีนี้เข้าถึงได้สำหรับทุกคนผ่านสองแนวทางที่เสริมกัน:

1. โอเพ่นซอร์ส : Milvus ช่วยให้นักพัฒนาสามารถสร้างและเป็นเจ้าของโครงสร้างพื้นฐานการค้นหเวกเตอร์ของตนเอง ลดข้อจำกัดทางเทคนิค
2. บริการจัดการ : Zilliz Cloud ลดภาระการทำงานด้านการดำเนินงาน โดยนำเสนอโซลูชันที่ง่ายและคุ้มค่าสำหรับธุรกิจในการนำไปใช้การค้นหเวกเตอร์โดยไม่ต้องมีวิศวกรที่มีความเชี่ยวชาญเฉพาะ

แนวทางทั้งสองนี้ทำให้การค้นหเวกเตอร์เข้าถึงได้สำหรับทั้งนักพัฒนาสมaller และองค์กรธุรกิจ ทำให้พวกเขาได้โฟกัสไปที่การสร้างแอปพลิเคชัน AI ที่เป็นนวัตกรรม

ด้วยความก้าวหน้าใน LLMs และโมเดลพื้นฐาน คุณเชื่อว่าการเปลี่ยนแปลงครั้งใหญ่ต่อไปในโครงสร้างพื้นฐานข้อมูล AI จะเป็นอะไร?

การเปลี่ยนแปลงครั้งใหญ่ต่อไปจะเป็นการเปลี่ยนแปลงโครงสร้างพื้นฐานข้อมูล AI ทั้งหมดเพื่อรับมือกับข้อมูลที่ไม่มีโครงสร้าง ซึ่งประกอบขึ้นเป็น 90% ของข้อมูลทั้งหมด ระบบที่มีอยู่ซึ่งถูกออกแบบมาเพื่อรับมือกับข้อมูลที่มีโครงสร้างไม่เหมาะสมกับการเปลี่ยนแปลงนี้

การเปลี่ยนแปลงนี้จะส่งผลกระทบต่อทุกๆ ชั้นของสแต็กข้อมูล ตั้งแต่ระบบฐานข้อมูลพื้นฐานไปจนถึงโพรโทคอลความปลอดภัยและระบบการตรวจสอบ มันไม่ใช่แค่การอัพเกรดแบบทีละขั้นตอน แต่เป็นการสร้างพาราไดม์ใหม่ที่เหมาะสมกับความซับซ้อนของข้อมูลที่ไม่มีโครงสร้าง

การเปลี่ยนแปลงนี้จะส่งผลกระทบต่อทุกๆ ด้านของสแต็กข้อมูล:

• ระบบฐานข้อมูลพื้นฐาน
• กระบวนการและโปรเซสการประมวลผลข้อมูล
• กลไกการทำความสะอาดและการแปลงข้อมูล
• โพรโทคอลความปลอดภัยและการเข้ารหัส
• โครงสร้างและกรอบการทำงานด้านการปฏิบัติตามกฎระเบียบ
• ระบบการตรวจสอบข้อมูล

เรากำลังพูดถึงการสร้างพาราไดม์ใหม่ทั้งหมด ไม่ใช่แค่อัพเกรดระบบที่มีอยู่แล้ว มันเหมือนกับการย้ายจากโลกที่เหมาะสมกับการจัดระเบียบหนังสือในห้องสมุดไปยังโลกที่ต้องจัดการ เข้าใจและประมวลผลอินเทอร์เน็ตทั้งหมด การเปลี่ยนแปลงนี้เป็นตัวแทนของโลกใหม่ทั้งหมด ซึ่งทุกๆ ส่วนของโครงสร้างพื้นฐานข้อมูลอาจต้องถูกสร้างขึ้นใหม่ตั้งแต่เริ่มต้น

การปฏิวัตินี้จะเปลี่ยนแปลงวิธีการที่เราจัดเก็บ จัดการ และประมวลผลข้อมูล เปิดโอกาสให้เกิดนวัตกรรม AI อย่างกว้างขวาง

การผสานรวมของ NVIDIA GPUs มีอิทธิพลต่อประสิทธิภาพและความสามารถในการขยายขนาดของการค้นหเวกเตอร์ของคุณอย่างไร?

การผสานรวมของ NVIDIA GPUs ได้เพิ่มประสิทธิภาพการค้นหเวกเตอร์ของเราในสองด้านหลัก

ประการแรก ในการสร้างดัชนี ซึ่งเป็นหนึ่งในกระบวนการที่ต้องใช้การประมวลผลมากที่สุดในฐานข้อมูลเวกเตอร์ การสร้างดัชนีเวกเตอร์จำเป็นต้องมีการประมวลผลที่มากกว่าหลายอันดับเมื่อเทียบกับการสร้างดัชนีฐานข้อมูลแบบดั้งเดิม โดยการเพิ่มความเร็วของ GPU เราได้ลดเวลาในการสร้างดัชนีลงอย่างมาก ทำให้สามารถนำเข้าข้อมูลได้เร็วขึ้นและปรับปรุงความสามารถในการมองเห็นข้อมูล

ประการที่สอง GPUs ได้แสดงถึงความสำคัญในการใช้งานการค้นหาที่มีปริมาณสูง ในแอปพลิเคชันเช่น อีคอมเมิร์ซ ซึ่งระบบต้องจัดการกับหลายพันหรือหลายหมื่นการค้นหาต่อวินาที (QPS) ความสามารถในการประมวลผลแบบขนานของ GPU ได้พิสูจน์แล้วว่ามีคุณค่าอย่างมาก โดยการใช้การเร่งความเร็วของ GPU เราสามารถประมวลผลการค้นหาสามัญเวกเตอร์ที่มีปริมาณสูงได้อย่างมีประสิทธิภาพในขณะเดียวกันก็รักษาความหน่วงต่ำ

ตั้งแต่ปี 2021 เราได้ร่วมมือกับ NVIDIA (NVDA ) เพื่อปรับอัลกอริทึมของเราให้เหมาะสมกับโครงสร้าง GPU ในขณะเดียวกันก็พัฒนาระบบของเราเพื่อสนับสนุนการประมวลผลแบบเฮเทอโรจีนีสบนโครงสร้างประมวลผลที่หลากหลาย ซึ่งให้ความยืดหยุ่นแก่ลูกค้าของเราในการเลือกโครงสร้างฮาร์ดแวร์ที่เหมาะสมกับความต้องการเฉพาะของตน

เมื่อฐานข้อมูลเวกเตอร์เล่นบทบาทสำคัญใน AI คุณเห็นถึงการประยุกต์ใช้ฐานข้อมูลเวกเตอร์ขยายออกไปนอกเหนือจากกรณีการใช้งานแบบดั้งเดิม เช่น ระบบแนะนำและค้นหา ไปสู่อุตสาหกรรมต่างๆ เช่น สาธารณสุข?

ฐานข้อมูลเวกเตอร์กำลังขยายออกไปนอกเหนือจากกรณีการใช้งานแบบดั้งเดิม เช่น ระบบแนะนำและค้นหา และกำลังเข้าสู่อุตสาหกรรมที่เราไม่เคยคิดมาก่อน ให้ฉันแบ่งปันบางตัวอย่าง

ในด้านการแพทย์และการวิจัยยาที่มีประสิทธิภาพ ฐานข้อมูลเวกเตอร์กำลังปฏิวัติวงการค้นคว้ายาใหม่ โมเลกุลสามารถถูกเวกเตอร์ตามคุณสมบัติทางหน้าที่ และโดยใช้คุณสมบัติเช่นการค้นหาช่วง ระบบสามารถค้นหาสารประกอบที่มีศักยภาพในการรักษาโรคหรืออาการได้

ในด้านการขับขี่อัตโนมัติ ฐานข้อมูลเวกเตอร์กำลังปรับปรุงความปลอดภัยและประสิทธิภาพของยานพาหนะ หนึ่งในกรณีการใช้งานที่น่าสนใจคือการจัดการกรณีแปลกใหม่ เมื่อระบบพบกับสถานการณ์ที่ไม่คาดคิด ระบบสามารถค้นหาข้อมูลการฝึกอบรมที่เกี่ยวข้องได้อย่างรวดเร็วเพื่อปรับปรุงโมเดลการขับขี่อัตโนมัติ

เรายังเห็นการประยุกต์ใช้ในด้านการบริการทางการเงินสำหรับการตรวจจับการฉ้อโกง ด้านความปลอดภัยไซเบอร์สำหรับการตรวจจับภัยคุกคาม และการโฆษณาที่มุ่งเป้าหมายสำหรับการมีส่วนร่วมของลูกค้าที่ดีขึ้น ตัวอย่างเช่น ในด้านการธนาคาร การทำธุรกรรมสามารถถูกเวกเตอร์ และเปรียบเทียบกับรูปแบบในอดีตเพื่อตรวจจับการฉ้อโกงที่อาจเกิดขึ้น

พลังของฐานข้อมูลเวกเตอร์อยู่ที่ความสามารถในการเข้าใจและประมวลผลความคล้ายคลึงในโดเมนต่างๆ ไม่ว่าจะเป็นโครงสร้างโมเลกุล สถานการณ์การขับขี่ รูปแบบทางการเงิน หรือภัยคุกคามด้านความปลอดภัย เมื่อ AI ต่อไปเรื่อยๆ เรากำลังเพียงแต่เริ่มต้นสำรวจสิ่งที่เป็นไปได้ ความสามารถในการประมวลผลและค้นหาพattern ในข้อมูลที่ไม่มีโครงสร้างเปิดโอกาสให้เราได้เห็น

นักพัฒนาและองค์กรธุรกิจสามารถมีส่วนร่วมกับ Zilliz และ Milvus ได้อย่างไรเพื่อใช้ประโยชน์จากเทคโนโลยีฐานข้อมูลเวกเตอร์ในโครงการ AI ของตน?

มีสองเส้นทางหลักในการใช้ประโยชน์จากเทคโนโลยีฐานข้อมูลเวกเตอร์กับ Zilliz และ Milvus ซึ่งแต่ละเส้นทางเหมาะสำหรับความต้องการและลำดับความสำคัญที่แตกต่างกัน หากคุณให้ความสำคัญกับความยืดหยุ่นและการปรับแต่ง Milvus ซึ่งเป็นโซลูชันแบบเปิดซอร์ส คือทางเลือกที่ดีที่สุดสำหรับคุณ ด้วย Milvus คุณสามารถ:

• ทดลองและเรียนรู้เทคโนโลยีนี้ด้วยความเร็วและความยืดหยุ่นของตนเอง
• ปรับแต่งโซลูชันให้เหมาะสมกับความต้องการเฉพาะของคุณ
• มีส่วนร่วมในการพัฒนาและปรับเปลี่ยนโค้ดเบส
• ควบคุมโครงสร้างพื้นฐานของตนเองอย่างสมบูรณ์

อย่างไรก็ตาม หากคุณต้องการมุ่งเน้นไปที่การสร้างแอปพลิเคชันของตนโดยไม่ต้องจัดการโครงสร้างพื้นฐาน Zilliz Cloud คือทางเลือกที่เหมาะสมที่สุด มันให้:

• โซลูชันที่พร้อมใช้งานด้วยการคลิกเดียว
• ความปลอดภัยและความเชื่อมั่นที่ระดับองค์กร
• ความพร้อมใช้งานและเสถียรภาพสูง
• ประสิทธิภาพที่ได้รับการปรับให้เหมาะสมโดยไม่ต้องมีภาระการดำเนินงาน

คิดว่ามันเป็นเช่นนี้: หากคุณชอบ “ทinker” และต้องการความยืดหยุ่นสูงสุด ให้เลือก Milvus หากคุณต้องการลดความซับซ้อนในการดำเนินงานและเริ่มสร้างแอปพลิเคชันของตนให้เร็วขึ้น ให้เลือก Zilliz Cloud

ทั้งสองเส้นทางจะนำคุณไปสู่จุดหมาย แต่มันขึ้นอยู่กับว่าคุณต้องการควบคุมการเดินทางมากน้อยเพียงใด และคุณต้องการไปถึงจุดหมายอย่างรวดเร็วเพียงใด

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Zilliz หรือ Milvus เพื่อเรียนรู้เพิ่มเติม