Bancos de dados vetoriais tornaram-se componentes fundamentais no ecossistema de Inteligência Artificial, especialmente para o desenvolvimento de sistemas de Recuperação Aumentada por Geração (RAG), busca semântica e bases de conhecimento para LLMs. Entre as diversas opções disponíveis no mercado, o Milvus destaca-se como uma das soluções mais robustas e performáticas.

Cenário dos Bancos de Dados Vetoriais

Embora existam diversas alternativas para o armazenamento de vetores, como Chroma, Elasticsearch, Neo4j, OpenSearch, Redis e PGVector, o Milvus consolidou-se como uma escolha preferencial em ambientes corporativos e de alta escala.

Vantagens Competitivas do Milvus

O Milvus foi projetado especificamente para lidar com fluxos de trabalho de IA. Em benchmarks de desempenho, ele frequentemente supera outras soluções em uma escala de 2 a 5 vezes, sendo capaz de realizar buscas de similaridade em milissegundos mesmo em conjuntos de dados que atingem a casa dos trilhões de vetores. Por ser uma solução de código aberto (Open Source), ele oferece flexibilidade para customização e redução de custos operacionais.

Arquitetura e Performance

A alta performance do Milvus é sustentada por quatro pilares técnicos principais:

• Otimização de Hardware: O sistema é otimizado para arquiteturas modernas, utilizando instruções SIMD (AVX512), aceleração por GPU e leitura eficiente em SSDs NVMe.
• Algoritmos de Indexação Avançados: Suporta implementações otimizadas de algoritmos como IVF, HNSW e DiskANN. Em comparação com bibliotecas padrão como FAISS, o Milvus entrega um ganho de performance entre 30% e 70%.
• Core em C++: A engine de busca é escrita em C++, permitindo gerenciamento de memória de baixo nível e paralelismo eficiente, extraindo o máximo do hardware disponível.
• Armazenamento Orientado a Colunas: Ao contrário de bancos relacionais tradicionais, o Milvus lê apenas os campos necessários para a consulta, reduzindo drasticamente a carga de I/O de dados.

Recursos de Busca Suportados

O Milvus oferece uma gama versátil de tipos de consulta para diferentes casos de uso:

• Busca ANN (Approximate Nearest Neighbor): Localiza os K vetores mais próximos do vetor de consulta.
• Busca com Filtragem: Executa a busca vetorial combinada com condições escalares específicas.
• Busca por Faixa (Range Search): Identifica todos os vetores dentro de um raio de distância definido.
• Busca Híbrida: Combina múltiplos campos vetoriais para refinar a precisão.
• Busca de Texto Completo: Integra algoritmos baseados em BM25.
• Rerankers: Ajusta a ordem dos resultados iniciais com base em critérios secundários.

Modelos de Implantação

Existem três formas principais de implantar o Milvus, dependendo da necessidade do projeto:

• Milvus Lite: Uma biblioteca Python leve que pode ser importada diretamente no código. Ideal para prototipagem rápida e ambientes com recursos limitados, como notebooks Jupyter.
• Milvus Standalone: Versão em contêiner Docker que agrupa todos os componentes necessários em uma única instância. É a escolha ideal para desenvolvimento e produção de médio porte.
• Milvus Distributed: Arquitetura baseada em Kubernetes (Cloud Native). Separa os nós de ingestão, consulta e armazenamento, permitindo escalabilidade horizontal e alta disponibilidade para nível empresarial.

Instalação do Milvus Standalone

A instalação via Docker é a maneira mais eficiente de iniciar o ambiente em máquinas locais (Windows, macOS ou Linux).

Pré-requisitos

• Instalação do Docker Desktop.
• No Windows, certifique-se de que o WSL 2 (Windows Subsystem for Linux) está configurado corretamente.

Procedimento de Instalação

1. Abra o terminal (PowerShell ou terminal do sistema).

2. Execute o comando para baixar o script de inicialização do ambiente:

Invoke-WebRequest https://raw.githubusercontent.com/milvus-io/milvus/refs/heads/master/scripts/standalone_embed.bat -OutFile setup_milvus.bat

3. Inicie o serviço executando o script:

.\setup_milvus.bat start

Após a execução bem-sucedida:

• Um contêiner chamado Milvus-standalone estará ativo na porta 19530.
• O serviço etcd estará disponível para coordenação na porta 2379.
• Os dados serão persistidos na pasta local volumes/milvus.

Interface Gráfica: Attu

Para facilitar a visualização dos dados, gerenciamento de coleções e execução de queries manuais, recomenda-se o uso do Attu, uma interface administrativa visual para o Milvus.

A instalação pode ser feita baixando o executável oficial no repositório do projeto no GitHub. Ao abrir o Attu, basta informar o endereço localhost:19530 para se conectar à instância local criada anteriormente.