هوش گیتهوش گیترسانه، شبکه و یادگیری AI
/ ⌘K
ورود
/ ⌘K
خانهشبکهمدل‌هایادگیریپروژه‌ها
هوش گیتهوش گیترسانه، شبکه و یادگیری AI
صفحه اصلیشبکهاخبارپژوهشمدل‌هاابزارهایادگیری
/ ⌘K
ورود

دسترسی سریع

دسترسی سریع تحریریه

خبرها، موضوعات، حساب کاربری و تنظیمات مطالعه همیشه در سمت راست در دسترس‌اند.

حساب کاربری

ورود سریع به حساب و ابزارهای شخصی‌سازی

ورود

با حساب کاربری، اعلان‌ها، ذخیره‌سازی خبرها و سطح مطالعه شخصی را فعال می‌کنید.

صفحه اصلیشبکهاخبارپژوهشمدل‌هاابزارهایادگیریفضاهاچهره‌های تخصصیسیاست‌گذاریامنیترویدادهافرصت‌های شغلیسرگرمیپروژه‌هاموضوعات
مرور موضوعات
همه
تم
درباره ماحریم خصوصیتماس با ما

مالکیت و پشتیبانی

شبکه هوشمند ابتکار ویستا

هوش‌گیت به‌عنوان رسانه و لایه دانشی این شرکت، با تمرکز بر خبر، یادگیری، همکاری حرفه‌ای و محصول‌های هوش مصنوعی توسعه داده می‌شود. تمامی حقوق مالکیت و کپی‌رایت این وب‌سایت متعلق به شبکه هوشمند ابتکار ویستا است.

این شرکت به‌صورت تخصصی در حوزه هوش مصنوعی، ساخت پلتفرم‌های AI، سامانه‌های مبتنی بر LLM، تحلیل داده، طراحی تجربه دانشی و توسعه زیرساخت‌های حرفه‌ای برای تیم‌های سازمانی فعالیت می‌کند.

مالکیت: شبکه هوشمند ابتکار ویستامدیرعامل: مسعود بخشی۰۹۱۲۴۷۳۳۲۳۴Devcodebase.dev@gmail.comHooshgate@gmail.comDevcodebase.com
v0.1.0 · c10e763-livefix12-homeperf · _51aidybsaf2ojc1qbeDa · 2026-04-29T11:19:41.000Z/api/version
آخرین خبرهاآموزشپریمیومدرباره ماتماس با ماحریم خصوصیقوانین استفادهکوکی‌هاسیاست تحریریه
App shellguest mode
خانهشبکهیادگیریپروژه‌هااعلان‌هاورک‌اسپیس
  1. خانه
  2. /
  3. اخبار
  4. /
  5. بازاندیشی جستجوی برداری در مقیاس: چند اجاره‌ای بومی، کارآمد و بهینه Weaviate
Weaviate Blogمعتبر1404/07/16 00:00محصول و صنعت

بازاندیشی جستجوی برداری در مقیاس: چند اجاره‌ای بومی، کارآمد و بهینه Weaviate

حافظه،. کند. در هر خرده مستاجر،.

منبع: Weaviate Blog

محصول و صنعتمتن‌باز و جامعهسیاست‌گذاری و حاکمیت
نسخه مطالعهعمومی
منبعWeaviate Blog
انتشار1404/07/16 00:00
سطح مطالعه
اشتراک در تلگراماشتراک در Xاشتراک در LinkedIn

share-ready · لینک کمپین آماده است

متن پیش‌نمایش telegram با ۴۴۹ کاراکتر ساخته شده است.

اگر این خبر برایتان مفید بود، حساب بسازید.

با حساب هوش‌گیت می‌توانید خبرها را ذخیره کنید، موضوع‌ها و چهره‌های تخصصی را دنبال کنید و مسیر یادگیری یا پروژه مناسب خودتان را سریع‌تر پیدا کنید.

ساخت حسابورود برای ذخیره و دنبال‌کردن
بازاندیشی جستجوی برداری در مقیاس: چند اجاره‌ای بومی، کارآمد و بهینه Weaviate

پیگیری گفتگو

بازگشت سریع به همین گفتگو

این گفت‌وگو را ذخیره کن، آن را دنبال کن و اگر لازم است یک یادداشت کوتاه برای بازگشت بعدی بگذار.

لایه انسانی

نویسنده انسانی، یادداشت کارشناس و شفافیت نویسندگی

این سطح مشخص می‌کند کجا انتشار با حضور انسان تقویت شده و کجا newsroom هوش مصنوعی هنوز نقش اصلی را دارد.

لایه newsroom با کمک هوش مصنوعیبدون author انسانی عمومیreview with confidence

این خبر فعلاً بیشتر در لایه newsroom و پوشش کمک‌گرفته از هوش مصنوعی قرار دارد و هنوز نویسنده انسانی مشخصی برای آن ثبت نشده است.

جانمایی امن برای اسپانسر

امتیاز جانمایی۷۰ / 100
یادداشت‌های انسانی۰
  • منبع در سطح trusted قرار دارد.
  • trust score منبع بالاست.

قدم بعدی

بعد از خواندن این خبر چه کار کنم؟

اگر این موضوع برایت مهم است، از همین‌جا آن را ذخیره کن، گفت‌وگو را دنبال کن یا به مسیر یادگیری، چهره تخصصی و پروژه مرتبط برو.

حفظ و پیگیری

این مقاله را برای بازگشت بعدی ذخیره کن، منبعش را دنبال کن یا وارد گفت‌وگوی همین خبر شو تا موضوع از دست نرود.

رفتن به گفت‌وگو

یادگیری و action بعدی

اگر می‌خواهی از خبر به فهم عمیق‌تر برسی، مسیرهای مرتبط زیر ساده‌ترین نقطه شروع‌اند.

رفتن به هاب یادگیریدیدن چهره تخصصی مرتبطپروژه مرتبط

راهنمای مطالعه

منبع اصلی، تاریخ فارسی و شاخص‌های سریع این خبر.

رفتن به منبع
تاریخ فارسی1404/07/16 00:00
داستانمستقل

نکات کلیدی

این باکس براساس سطح مطالعه شما (عمومی) تنظیم شده است.

  • همانطور که ‌های بیشتری برنامه‌های مبتنی بر هوش مصنوعی را می‌سازند که بر جستجوی برداری تکیه می‌کنند،.
  • قابلیت چند اجاره‌نشینی به یک امر ضروری تبدیل شده است.
  • این امر مخصوصاً برای پلتفرم‌های SaaS که نیاز به سرویس دهی به مشتریان زیادی دارند،.
  • در حالی که داده‌ها و حجم کاری آن‌ها را جدا نگه می‌دارند،.
  • صادق است.
  • مشکل این است که اکثر پایگاه‌های داده برداری، چند اجاره‌نشینی را به‌عنوان یک فکر بعدی در نظر می‌گیرند.
  • آنها از راه‌حل‌هایی مانند قراردادهای فضای نام یا پارتیشن‌بندی استفاده می‌کنند که اغلب منجر به نشت داده‌ها،.
  • گلوگاه‌های عملکردی و نگهداری نامرتب می‌شود.

فهرست مطالب

  1. TL;DR
  2. چه اتفاقی افتاد
  3. چرا مهم است
  4. منبع

سیگنال تعامل

بازدید۰
کلیک۰
امتیاز0.00
دیدگاه۰

TL;DR

  • همانطور که ‌های بیشتری برنامه‌های مبتنی بر هوش مصنوعی را می‌سازند که بر جستجوی برداری تکیه می‌کنند،.
  • قابلیت چند اجاره‌نشینی به یک امر ضروری تبدیل شده است.
  • این امر مخصوصاً برای پلتفرم‌های SaaS که نیاز به سرویس دهی به مشتریان زیادی دارند،.

چه اتفاقی افتاد

همانطور که ‌های بیشتری برنامه‌های مبتنی بر هوش مصنوعی را می‌سازند که بر جستجوی برداری تکیه می‌کنند،. قابلیت چند اجاره‌نشینی به یک امر ضروری تبدیل شده است.

این امر مخصوصاً برای پلتفرم‌های SaaS که نیاز به سرویس دهی به مشتریان زیادی دارند،. در حالی که داده‌ها و حجم کاری آن‌ها را جدا نگه می‌دارند،.

صادق است. مشکل این است که اکثر پایگاه‌های داده برداری، چند اجاره‌نشینی را به‌عنوان یک فکر بعدی در نظر می‌گیرند.

آنها از راه‌حل‌هایی مانند قراردادهای فضای نام یا پارتیشن‌بندی استفاده می‌کنند که اغلب منجر به نشت داده‌ها،. گلوگاه‌های عملکردی و نگهداری نامرتب می‌شود.

با افزایش تعداد مستاجران،. مدیریت تخصیص منابع و حفظ حریم خصوصی داده‌ها سخت‌تر و سخت‌تر می‌شود.

چند اجاره مستقیماً در معماری اصلی آن تعبیه شده است. این بدان معناست که شما یک راه‌حل مقیاس پذیر،.

مقرون به صرفه و با کارایی بالا طراحی شده برای برنامه‌های کاربردی چند مستاجر خود دریافت می. کنید.

چه در حال ساخت ابزارهای داخلی باشید و چه محصولاتی که با مشتری روبرو هستند،. Weaviate اطمینان حاصل می‌کند که داده‌های هر مستاجر ایزوله شده است،.

عملکرد قابل پیش بینی‌تر است و سربار پایین می‌ماند. بهتر از همه، می‌توانید بدون ایجاد زیرساخت‌های جداگانه برای هر مستأجر به این کار دست یابید.

در اساس این طراحی دو مؤلفه کلیدی وجود دارد:. یک تکه برای هر مستأجر Weaviate با پارتیشن‌بندی داده‌ها به آنچه که یک خرده می‌نامد،.

به جداسازی فیزیکی و منطقی دست می‌یابد. هر خرده یک واحد ذخیره سازی و پرس و جو مستقل است که بخشی از داده‌های مجموعه.

را در خود نگه می‌دارد. در چند اجاره‌ای، داده‌های هر مستاجر در خرده خودش جدا نگه داشته می‌شود.

این معماری نه تنها جداسازی قوی داده‌ها را فراهم می‌کند،. بلکه اختلافات متقابل مستاجر را نیز به حداقل می‌رساند و از بهینه‌سازی عملکرد دقیق و خاص مستاجر در.

مقیاس پشتیبانی می‌کند. جداسازی منطقی:.

از آنجایی که داده‌های هر مستاجر در قطعه خاص خود قرار دارند،. عملیات (مانند پرس و جو،.

درج یا حذف) روی یک مستاجر بر یکپارچگی داده‌های متعلق به مستاجر تأثیر نمی‌گذارد. مستاجران دیگر این ایزوله قوی خطر نشت تصادفی داده یا تداخل بین مستاجران را کاهش می‌دهد.

حداقل سازی Contention:. با یک قطعه به ازای هر مستأجر،.

داده‌ها و شاخص‌های هر مستاجر ایزوله می‌شوند که تداخل متقابل مستاجر را در سطح ذخیره. سازی و نمایه سازی کاهش می‌دهد.

حتی با وجود اینکه مستاجرین هنوز منابع گره (CPU،. حافظه،.

I/O،. شبکه) را به اشتراک می‌گذارند،.

حجم کاری سنگین می‌تواند بر ظرفیت کلی گره تأثیر بگذارد،. می‌توانید از Tenant Controller برای غیرفعال کردن مستاجران و Replication/HA برای مدیریت بار و حفظ عملکرد تحت.

spikes استفاده کنید. کنترل عملکرد: این معماری امکان مدیریت عملکرد دقیق را فراهم می‌کند.

شما می‌توانید بر اساس فعالیت و نیازهای منابع مستاجران فردی را نظارت،. مقیاس یا حتی تخلیه بار کنید،.

بدون اینکه بر بقیه سیستم تأثیری بگذارید. به‌عنوان مثال،.

مستاجران غیرفعال را می‌توان برای صرفه جویی در منابع به سردخانه منتقل کرد،. در حالی که مستاجران فعال برای بهینه‌سازی در انبار گرم باقی می‌مانند.

عملکرد. کنترل کننده مستاجر:.

تخصیص منابع هوشمندتر اجاره چندگانه Weaviate یک روش پویا برای مدیریت منابع با یک کنترل کننده مستاجر معرفی. می‌کند.

هر مستاجر، اساساً مجموعه داده منطقی خودش، می‌تواند بین سه حالت حرکت کند: ACTIVE، INACTIVE، یا OFFLOADED. به جای اینکه هر مستاجر را همیشه در حافظه نگه دارد،.

کنترل‌کننده مستاجر به‌طور هوشمندانه تصمیم می‌گیرد که کدام یک بر اساس تقاضای حجم کاری فعال بمانند. مستاجران فعال از حافظه و محاسبات استفاده می‌کنند.

موارد غیرفعال آن منابع را آزاد می‌کنند در حالی که به سرعت در دسترس هستند. مستاجران بارگذاری شده تا زمانی که دوباره مورد نیاز باشند به انبارهای کم‌هزینه منتقل می‌شوند.

این طراحی از مصرف منابع ارزشمند سیستم توسط مستاجرین بلااستفاده جلوگیری می‌کند،. در حالی که همچنان امکان فعال‌سازی سریع را در صورت لزوم فراهم می‌کند.

نتیجه تعادل عملکرد، کارایی و کنترل هزینه در مقیاس است. فعال سازی و غیرفعال سازی پویا: Weaviate می‌تواند به‌طور خودکار یک مستاجر را فعال کند.

هنگامی‌که عملیات جستجو، خواندن، به روز رسانی یا حذف بر روی آن انجام می‌شود. این بدان معناست که مستاجرانی که استفاده نمی‌شوند را می‌توان روی INACTIVE یا حتی OFFLOADED (انتقال به ذخیره‌سازی.

سرد مانند AWS S3) تنظیم کرد که به‌طور قابل‌توجهی حافظه و منابع محاسباتی مورد نیاز را کاهش می‌دهد. هنگامی‌که به مستاجر دسترسی پیدا می‌شود،.

مجدداً فعال می‌شود و اطمینان حاصل می‌شود که فقط داده‌های لازم در هر زمان معین. در حافظه بارگذاری می‌شوند.

این مدیریت پویا مخصوصاً برای برنامه‌هایی با بسیاری از مستاجران،. که در آن تنها یک زیرمجموعه در هر لحظه فعال است،.

مانند پلت‌فرم‌های SaaS یا سرویس‌های رو به روی کاربر در مقیاس بزرگ،. ارزشمند است.

این نه تنها عملکرد را برای کاربران فعال بهینه می‌کند،. بلکه به کنترل نیز کمک می‌کند هزینه‌های زیرساخت.

کارایی عملیاتی:. توانایی کنترل کننده مستاجر برای غیرفعال کردن و فعال کردن مجدد مستاجرین در صورت تقاضا به این معنی.

است که‌ها می‌توانند بدون تامین منابع بیش از حد به میلیون‌ها مستأجر تقسیم شوند. این مکانیسم به ویژه در سناریوهایی که فعالیت کاربر پراکنده است یا از الگوهای قابل پیش بینی پیروی.

می‌کند،. مانند ساعات کاری یا افزایش استفاده فصلی،.

مؤثر است. طراحی چند اجاره‌ای Weaviate مزایای اصلی مورد نیاز مشتریان را ارائه می‌دهد:.

جداسازی قوی،. استفاده کارآمد از منابع،.

و انعطاف پذیری برای مدیریت پویا مستاجرین در مقیاس. برخلاف رویکردهایی که چند اجاره‌نشینی را به‌عنوان یک افزونه در نظر می‌گیرند،.

Weaviate آن را به‌عنوان یک اصل طراحی درجه یک می‌سازد که قادر است بیش از یک میلیون مستأجر. را در هر خوشه بدون مسائل همسایه‌های پر سر و صدا یا هزینه‌های گزاف پشتیبانی کند.

اجزای جدا شده فیزیکی که تضمین می‌کنند هر مستاجر دامنه عملیاتی خود را دارد،. در حالی که هنوز از زیرساخت‌های مشترک برای کارایی هزینه استفاده می‌کند.

در این طرح،. به هر مستاجر یک قطعه اختصاصی در یک مجموعه اختصاص داده می‌شود که از جداسازی منطقی و.

فیزیکی قوی داده‌ها اطمینان حاصل می‌کند. اما معماری فراتر می‌رود:.

در هر قطعه،. داده‌ها در "سطل‌های" تخصصی دهی می‌شوند که به‌عنوان واحدهای اتمی‌برای ذخیره سازی و نمایه.

سازی عمل می‌کنند. هر سطل از نظر عملکردی مستقل است.

سطل‌های شاخص معکوس:. برای هر ویژگی که قابل فیلتر یا جستجو است،.

Weaviate یک سطل شاخص معکوس اختصاصی ایجاد می‌کند. این امکان فیلترینگ و جستجوی کارآمد مبتنی بر اموال را فراهم می‌کند،.

زیرا فهرست هر ملک به‌طور مستقل در قسمت مستاجر مدیریت می‌شود. استفاده از تقسیم‌بندی LSM-Tree برای ذخیره‌سازی شی و فهرست معکوس،.

عملکرد خواندن و نوشتن را بیشتر بهینه می‌کند و تضمین می‌کند که پرس‌وجوها حتی با رشد داده‌ها سریع. باقی می‌مانند.

بسته به پیکربندی،. این می‌تواند یک نمودار HNSW (جهان کوچک قابل پیمایش سلسله مراتبی) یا یک شاخص مسطح باشد.

در مورد شاخص تخت،. بردارها در سطل‌های اختصاصی ذخیره می‌شوند و اگر فشرده سازی فعال باشد،.

سطل‌های اضافی برای بردارهای فشرده ایجاد می‌شود. برای HNSW،.

خود نمودار در حافظه نگه داشته می‌شود و از گزارش‌های commit و عکس‌های فوری برای بازیابی ساختار پس. از راه‌اندازی مجدد استفاده می‌شود.

این شاخص‌های برداری مستقل از شی و شاخص‌های معکوس نگهداری می‌شوند و تضمین می‌کنند که عملیات بردار کارآمد. و جدا از سایر داده‌ها باقی می‌مانند.

اطلاعات در سطل‌های جداگانه ذخیره می‌شود. این تضمین می‌کند که عملیات ابرداده ایزوله و کارآمد هستند و از جستجوهای سریع و مدیریت هویت‌های شی.

پشتیبانی می‌کنند. انتزاع و تجربه کاربر پیچیدگی ساختاری این معماری سطلی کاملاً از کاربر انتزاع می‌شود.

توسعه‌دهندگان با یک API ساده و یکپارچه تعامل دارند،. در حالی که Weaviate مکانیک‌های ذخیره‌سازی و نمایه‌سازی زیربنایی را مدیریت می‌کند.

این انتزاع به کاربران اجازه می‌دهد تا از عملکرد پیشرفته و ویژگی‌های مقیاس‌پذیری بدون نیاز به مدیریت پیچیدگی. خود بهره ببرند.

پشتیبانی از Multi-Tenancy در مقیاس با هدایت داده‌های هر مستأجر از طریق خطوط لوله مجزا،. تا سطح ویژگی‌های فردی و انواع داده‌ها،.

معماری Weaviate تضمین می‌کند که چند اجاره‌ای هم ایمن و هم کارآمد است. حجم کار هر مستاجر به‌طور مستقل انجام می‌شود و میلیون‌ها مستاجر را با قابلیت پیش بینی.

پشتیبانی می‌کند عملکرد و جداسازی قوی داده‌ها. این رویکرد سطلی برای هر مستاجر،.

سنگ بنای توانایی Weaviate برای ارائه جستجوی بردار چند مستاجر مقیاس‌پذیر،. با کارایی بالا و ایمن است.

خط لوله نوشتن در هر سطل:. بادوام،.

همزمان،. و بهینه‌سازی خط لوله نوشتن Weaviate برای دوام و ماندگاری بالا مهندسی شده است.

هر عملیات نوشتن از طریق یک فرآیند قوی و چند مرحله‌ای جریان می‌یابد:. ثبت بادوام پیش‌نویس (WAL):.

هر نوشتن ابتدا به یک سطل ثبت پیش‌نویس (WAL)،. یک فایل متوالی و فقط پیوست روی دیسک اضافه می‌شود.

این تضمین می‌کند که همه عملیات قبل از هر گونه پردازش بیشتر به‌طور بادوام ادامه دارند. در صورت خرابی،.

Weaviate می‌تواند WAL را مجدداً پخش کند تا داده‌های حین پرواز را بازیابی کند،. و تضمین می‌کند که هیچ نوشته تأیید شده‌ای از بین نمی‌رود.

به‌روزرسانی Memtable در حافظه:. هنگامی‌که ورودی WAL ایمن شد،.

داده‌ها در یک memtable،. یک ساختار سریع و درون حافظه،.

وارد می‌شوند. که هضم سریع را امکان پذیر می‌کند و تأخیر نوشتن را به حداقل می‌رساند.

Flushing:. وقتی Memtable به اندازه یا آستانه زمانی می‌رسد،.

محتویات آن به فایل‌های بخش غیرقابل تغییر روی دیسک تبدیل می‌شود. این فایل‌های بخش به صورت دوره‌ای فشرده می‌شوند تا ذخیره‌سازی طولانی‌مدت و کارایی پرس و جو را بهینه.

کنند. پس از یک فلاش موفقیت آمیز،.

WAL مربوطه را می‌توان به‌طور ایمن حذف یا بازیافت کرد،. و یک memtable جدید برای ادامه پذیرش نوشتن مقداردهی اولیه می‌شود.

خط لوله به‌طور مستقل برای هر سطل اجرا می‌شود،. که شامل شاخص‌های معکوس،.

داده‌های برداری،. و ابرداده در هر قطعه مستاجر می‌شود.

نتیجه یک گردش کار نوشتن است که بادوام، کارآمد و ذاتاً چند مستاجر و مقیاس‌پذیر است. قفل‌های جهانی مورد نیاز نیستند، زیرا هر سطل چرخه عمر نوشتن خود را مدیریت می‌کند.

خط لوله به‌طور مستقل برای هر سطل در هر خرده اختصاصی مستاجر،. اعم از ایندکس‌های معکوس،.

داده‌های برداری،. یا ابرداده‌ها،.

عمل می‌کند. با Weaviate's این فرآیندها با کنترل‌های همزمانی دقیق،.

به صورت موازی اجرا می‌شوند و از توان عملیاتی بالا اطمینان حاصل می‌کنند و اختلاف بین مستاجرین را. از بین می‌برند.

نتیجه یک گردش کار نوشتن است که نه تنها بادوام و کارآمد است،. بلکه ذاتاً دارای چند مستاجر و مقیاس پذیر است.

فلاش WAL تاخیری برای بهینه‌سازی عملکرد نوشتن در استقرارهای Weaviate چند مستاجری با توان عملیاتی بالا،. کنترل کننده مستاجر اغلب مستاجران را برای بهینه‌سازی استفاده از منابع فعال و غیرفعال می‌کند.

هر بار که مستاجر غیرفعال می‌شود،. Weaviate باید داده‌های درون حافظه مستاجر را روی دیسک نگه دارد،.

و تمام سطل‌های مربوطه (مانند سطل‌های برداری،. شاخص معکوس و سطل‌های فراداده) را برای قطعه‌بندی فایل‌ها بنویسد.

این فرآیند،. اگر بلافاصله برای هر غیرفعال‌سازی اجرا شود،.

می‌تواند تقاضای قابل‌توجهی بر روی منابع ورودی/خروجی سیستم ایجاد کند،. به‌ویژه زمانی که با تعداد زیادی سطل برای هر مستأجر سروکار داریم.

(WAL) استراتژی فلاش. به‌جای شستشوی داده‌ها برای تقسیم‌بندی فایل‌ها بلافاصله پس از غیرفعال‌سازی مستاجر یا نگاشت حافظه/ توصیف‌گر فایل که به.

رویداد محدود می‌رسد،. Weaviate داده‌ها را به‌طور موقت در WAL روی دیسک نگه می‌دارد.

WAL به‌عنوان یک گزارش بادوام و فقط ضمیمه عمل می‌کند که تضمین می‌کند قبل از هر گونه پردازش. بیشتر،.

همه عملیات به‌طور ایمن ادامه دارند. فلاش کردن فایل‌های بخش فقط زمانی اتفاق می‌افتد که WAL به آستانه اندازه معینی برسد،.

نه در هر رویداد. این رویکرد دسته‌ای به این معنی است که نوشته‌ها کمتر اما بزرگ‌تر هستند،.

تعداد عملیات ورودی/خروجی را کاهش می‌دهد و توان عملیاتی کلی را بهبود می‌بخشد. با تأخیر در شستشوی WAL،.

Weaviate می‌تواند بار ورودی/خروجی را در دوره‌های تغییرات مکرر حالت مستاجر به‌طور مؤثر مدیریت کند،. و اطمینان حاصل کند که سیستم حتی در زیر بارهای سنگین نوشتن پاسخگو و مقیاس‌پذیر باقی می‌ماند.

این طراحی به ویژه در محیط‌های چند مستاجر،. که در آن تعداد مستاجران فعال و غیرفعال می‌توانند به سرعت در نوسان باشند و مدیریت کارآمد.

منابع بسیار مهم است. خواندن هوشمند و بارگذاری تنبل چالش دیگر در سیستم‌های چند مستاجر،.

مدیریت عملکرد خواندن بدون استفاده بیش از حد از حافظه است. دو چنین بهینه‌سازی عبارتند از بارگذاری قطعه تنبل و بارگذاری بخش تنبل.

در حالی که آنها شبیه به نظر می‌رسند،. مشکلات مختلفی را در سطوح مختلف سلسله مراتب ذخیره سازی حل می‌کنند.

بارگذاری خرده تنبل در سطح مستاجر عمل می‌کند. از آنجایی که هر مستاجر توسط خرده خود نشان داده می‌شود،.

استقرار با صدها هزار یا حتی میلیون‌ها مستأجر ممکن است تعداد خرده‌های به همان اندازه داشته. باشد.

بارگذاری هر خرده در حافظه در هنگام راه اندازی بیهوده خواهد بود،. به خصوص اگر تنها کسری از مستاجران در هر زمان معین فعال باشند.

با بارگیری تکه تکه‌ای،. Weaviate فقط یک خرده را در اولین باری که به آن دسترسی پیدا می‌کند،.

در حافظه بارگیری می‌کند،. برای مثال زمانی که یک کوئری اجرا می‌شود یا داده‌های جدید وارد می‌شود.

اضافه شده است. تا آن زمان، مستاجران غیرفعال هیچ منبع حافظه مصرف نمی‌کنند.

این به‌طور چشمگیری کارایی را بهبود می‌بخشد و چند اجاره‌ای را در مقیاس کاربردی‌تر می. کند.

همچنین تضمین می‌کند که مستاجران غیرفعال که روی دیسک نشسته‌اند،. هیچ باری را بر مستاجرین داغی که به‌طور فعال مورد پرسش قرار می‌گیرند،.

تحمیل نمی‌کنند. از سوی دیگر، بارگذاری بخش تنبل، در داخل یک تکه تکه کار می‌کند.

خرده‌ها داده‌ها را با استفاده از بخش‌های غیرقابل تغییر روی دیسک نگه می‌دارند،. که در طول زمان با پاک شدن داده‌های جدید جمع می‌شوند.

بدون بهینه‌سازی، همه این بخش‌ها به محض بارگذاری یک قطعه در حافظه نگاشت می‌شوند. برای مجموعه داده‌های بزرگ،.

این می‌تواند سربار قابل توجهی ایجاد کند،. حتی اگر بیشتر بخش‌ها فورا مورد نیاز نباشند.

بارگذاری بخش تنبل تنها با کشیدن بخش‌های ضروری به حافظه این مشکل را برطرف می‌کند. هنگامی‌که یک جستجوی خواندنی وارد می‌شود،.

مثلاً جستجوی UUID یا جستجوی فیلتر شده،. Weaviate ابتدا memtable را بررسی می‌کند تا جدیدترین نوشته‌ها را بگیرد،.

و سپس فایل‌های بخش را از جدیدترین به قدیمی‌ترین اسکن می‌کند. به جای کشیدن هر بخش به حافظه،.

فقط فایل‌های بخش مربوطه خاص مورد نیاز را بارگیری می‌کند. به‌طور مشابه،.

زمانی که مستاجر فعال می‌شود،. Write-Ahead Log (WAL) برای بازسازی جداول درون حافظه دوباره پخش می‌شود،.

اما فایل‌های بخش دست نخورده باقی می‌مانند مگر اینکه درخواستی به آنها نیاز داشته باشد. از نیاز به بارگیری صدها فایل بخش برای مستاجران غیرفعال،.

به ویژه آنهایی که سابقه طولانی یا حجم زیادی از داده دارند،. جلوگیری می‌کند و مصرف RAM را پایین نگه می‌دارد.

نتیجه زمان راه‌اندازی سریع‌تر،. مصرف حافظه کمتر،.

و سیستمی‌است که حتی زمانی که بارهای کاری به‌طور یکنواخت بین مستأجران توزیع می‌شود،. به طرز زیبایی مقیاس می‌شود.

این دو مکانیسم با هم مکمل یکدیگر هستند:. بارگذاری قطعه تنبل هزینه حافظه مدیریت بسیاری از مستاجران را کاهش می‌دهد،.

در حالی که بارگذاری بخش تنبل تضمین می‌کند که حتی خرده‌های بزرگ باقی می‌مانند. تا زمانی که داده‌های آن‌ها واقعاً مورد پرسش قرار نگیرد.

نتیجه‌گیری:. طرحی برای چند مستأجری بردار اثبات‌شده آینده با Weaviate در چشم‌انداز بومی‌هوش مصنوعی امروزی،.

چند اجاره‌داری یک نیاز اساسی برای برنامه‌های کاربردی مقیاس‌پذیر،. ایمن و کارآمد است.

Weaviate این چالش را با یک معماری عمیق یکپارچه و با کارایی بالا که هم حافظه و هم. ورودی/خروجی کارآمد است،.

طراحی می‌کند تا با افزایش نیازهای شما به‌طور یکپارچه مقیاس‌بندی شود. رویکرد Weaviate بر پایه چندین ستون بنا شده است:.

یک خرده به ازای هر مستاجر:. به هر مستاجر قطعه اختصاصی خود در یک مجموعه اختصاص داده می‌شود که تضمین می‌کند منطقی قوی و.

لایه فیزیکی ذخیره‌سازی است. این طراحی جداسازی قوی داده‌ها،.

حذف سریع و مقیاس‌بندی مستقل را برای هر مستأجر امکان‌پذیر می‌سازد،. و از میلیون‌ها مستأجر در سراسر یک خوشه پشتیبانی می‌کند.

مستاجرین بر اساس استفاده این تضمین می‌کند که فقط مستاجران فعال حافظه را مصرف می‌کنند و منابع محاسباتی. را مصرف می‌کنند،.

در حالی که مستاجران غیرفعال یا تخلیه‌شده به‌طور مؤثر مدیریت می‌شوند تا هزینه‌های زیرساخت و عملکرد را بهینه. کنند.

طراحی سطلی برای جداسازی منابع با دانه‌ریزی:. در هر خرده مستاجر،.

داده‌ها در سطل‌های تخصصی برای بردارها،. نمایه‌های معکوس و فراداده ‌دهی می‌شوند.

این معماری جداسازی قوی را در سطح مستاجر و دارایی فراهم می‌کند و تخصیص منابع قابل پیش‌بینی و. مقیاس‌بندی کارآمد را امکان‌پذیر می‌کند.

WAL تاخیری (گزارش‌های پیش‌نویس) Flush:. نوشته‌ها ابتدا در یک ثبت پیش‌نویس بادوام و مخصوص سطل (WAL) باقی می‌مانند و سپس در حافظه‌های سریع.

و قابل ذخیره‌سازی وارد می‌شوند. برای بهینه‌سازی بیشتر عملکرد نوشتن،.

Weaviate فلاش‌های WAL با تأخیر را با دسته‌بندی نوشته‌ها و تداوم آن‌ها در کنار هم فقط در صورت. رسیدن به آستانه اجرا می‌کند.

این امر سربار ورودی/خروجی را کاهش می‌دهد و توان عملیاتی را افزایش می‌دهد. به خصوص در محیط‌های پر خروش و چند مستاجر.

Lazy Shard و Segment Loading:. Weaviate از بارگذاری تنبل خرده‌ها و بخش‌ها پشتیبانی می‌کند،.

به این معنی که داده‌ها فقط در صورت نیاز در حافظه بارگذاری می‌شوند. این رویکرد استفاده از حافظه را به حداقل می‌رساند و به سیستم اجازه می‌دهد تا بدون تامین منابع.

بیش از حد،. به میلیون‌ها مستاجر برسد.

با این نوآوری‌ها،. Weaviate یک پلتفرم قوی مناسب برای محصولات SaaS،.

گردش‌های کاری یادگیری ماشین،. ابزارهای داخلی و برنامه‌های کاربردی با مشتری ارائه می‌دهد.

چند اجاره‌ای یک ویژگی بعدی یا پیچ و مهره‌ای نیست،. بلکه در ساختار معماری Weaviate بافته شده است و اطمینان می‌دهد که از روز اول برای مقیاس،.

امنیت و سرعت آماده هستید. آیا آماده تجربه چند اجاره‌ای مقاوم در آینده هستید؟

برای یک دوره آزمایشی رایگان در Weaviate Cloud ثبت نام کنید و همین امروز شروع به ساخت راه. حل‌های مقیاس پذیر و مبتنی بر هوش مصنوعی کنید!

آماده شروع ساخت هستید؟ آموزش Quickstart را بررسی کنید، یا برنامه‌های شگفت انگیز با آن بسازید.

نسخه آزمایشی رایگان Weaviate Cloud (WCD). GitHubForumX (تویتر) نمی‌خواهید پست وبلاگ دیگری را از دست بدهید؟

برای به روز ماندن در خبرنامه دو هفته‌ای ما ثبت نام کنید! با ارسال، با شرایط خدمات و خط مشی رازداری موافقت می‌کنم.

چرا مهم است

اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیم‌گیری سازمانی اثر می‌گذارد.

منبع

لینک منبع اصلی در کارت و صفحه مقاله نمایش داده می‌شود.

اعتبار

چرایی اعتماد به این خبر

امتیاز اعتبار، منطق اعتماد، وضعیت راستی‌آزمایی و لاگ تغییرات در یک نگاه.

اعتبار خبر۴۳ / 100
اعتبار منبع۱۳ / 100
اعتبار موضوع۱۰۰ / 100
تازگی۳۲ / 100
مرحله عمر خبرNEEDS_UPDATE
نیاز به به‌روزرسانیبله
نیازمند تقویتنیازمند تقویتمرجع قوینیازمند بازبینینیازمند به‌روزرسانی

تصمیم انسانی تحریریه

خلاصه تصمیم تحریریه

سیگنال بازبینی باز استsecurity / policy review requiredنیاز بازبینی قابل مشاهده استlegal / policy escalation

این مقاله در مسیر security / policy review required قرار دارد و بخشی از سیگنال‌های review هنوز باید تکمیل یا شفاف‌تر شود.

دلیل انتشار: خبرهای امنیتی، رگولاتوری و اخلاقی به دلیل اثر عمومی و حساسیت claimها باید قبل از publish با بازبینی انسانی کامل عبور کنند. وضعیت فعلی: fact-check not_started و checklist ۰٪.

کلاس خبرSECURITY_POLICY
سخت‌گیری بازبینیSTRICT_REQUIRED
بازبینثبت عمومی نشده

موارد بازبینی که باید شفاف‌تر شوند

صحت و منبع اصلی تایید شدتیتر بازبینی و حرفه‌ای شدخلاصه برای کارت و SEO تایید شدبدنه از نظر خوانایی و ساختار بازبینی شدنسخه‌های سطح‌بندی‌شده بررسی شدبازخوانی نهایی انجام شد
سیاست تحریریه و اصلاحاتچرا به هوش‌گیت اعتماد کنیم؟

چرا این خبر قابل اعتماد است

    شفافیت راستی‌آزمایی ادعاها

    ادعای تاییدشده۰
    نیازمند بازبینی۰
    میانگین اطمینان۰٪

    چرا هنوز مهم است

    این خبر هنوز بازدید، کامنت یا follow-up کافی دارد و از چرخه توجه مخاطب خارج نشده است.

    تقویت اعتبار

    وجود follow-up و پوشش مرتبط، authority این خبر را در طول زمان تقویت می‌کند.

    پیگیری به‌روزرسانی

    این خبر evergreen است و برای حفظ authority به refresh تحریریه نیاز دارد.

    بخش منابع و ارجاع‌ها

    لینک‌های منبع اصلی، ارجاع‌های ادعا و referenceهای مکمل برای پیگیری مستقیم.

    weaviate.ioمنبع اصلی

    weaviate.io/blog/weaviate-multi-tenancy-architecture-explained

    weaviate.ioارجاع تکمیلی

    weaviate.io/blog

    پوشش‌های پیگیری

    پیگیری‌های بعدی، توضیح‌دهنده‌های مرتبط یا خبرهای مکملی که عمر این موضوع را بعد از انتشار ادامه می‌دهند.

    یک روش گالرکین ناپیوسته ترکیبی همگرا برای انیشتین -- معادلات اسکالر

    پیگیری بعدی

    1405/01/29 15:44

    توابع مانع کنترل ماتریس مرتبه بالا: حالت خوب و امکان سنجی از طریق درجه نسبی ماتریس

    پیگیری بعدی

    1405/01/29 15:44

    ساخت کارآمد نمودارهای قابلیت دسترسی برای خطوط تولید پتری خالص

    پیگیری بعدی

    1405/01/29 15:44

    اندازه‌گیری ترجیحات انسانی در RLHF یک مشکل علوم اجتماعی است

    پیگیری بعدی

    1405/01/29 15:44

    تعامل کاربران و کیفیت خبر

    امتیاز بدهید، نظر ثبت کنید یا اگر خطایی دیدید گزارش اصلاح بفرستید. moderation، trust contributor و کیفیت thread به‌صورت شفاف نمایش داده می‌شود.

    بازدید

    ۰

    کلیک روی خبر

    ۰

    امتیاز میانگین

    0.00 / 5

    دیدگاه تایید شده

    ۰

    وضعیت trust گفتگو

    کیفیت thread براساس reputation contributorها، رأی‌ها و moderation سنجیده می‌شود.

    در حال بارگذاری

    امتیاز thread

    ۰ / 100

    دیدگاه متخصص

    ۰

    دیدگاه مفید

    ۰

    خروجی moderation و قوانین

    تاییدشده: ۰pending: ۰hidden/spam: ۰

      حضور انسانی در این گفتگو

      این بخش کمک می‌کند thread فقط حول personaها دیده نشود و contributorهای انسانی واقعی هم واضح باشند.

      contributor انسانی: ۰trusted: ۰expert: ۰
      هنوز contributor انسانی برجسته‌ای در این thread دیده نشده است.

      امتیاز شما به خبر

      هنوز امتیاز نداده‌اید.

      واکنش سریع به خبر

      به‌جای لایک کلی، نوع برداشت خودتان را مشخص کنید.

      ثبت دیدگاه

      دیدگاه‌های کم‌ارزش یا spam به‌صورت خودکار محدود می‌شوند و نتیجه moderation در همین صفحه قابل مشاهده است.

      گزارش اصلاح یا بهبود

      اگر claim، ترجمه، منبع یا framing خبر نیاز به اصلاح دارد، این مسیر مستقیم برای تیم تحریریه است.

      آخرین دیدگاه‌ها

      هنوز دیدگاهی ثبت نشده است.

      مقایسه سه سطح مطالعه

      برای همین خبر، نسخه ساده، عمومی و تخصصی کنار هم خلاصه شده‌اند.

      ساده

      ۱۶٬۸۱۰ کاراکتر

      هر مستاجر،. می‌کند. در هر خرده مستاجر،.

      • همانطور که ‌های بیشتری برنامه‌های مبتنی بر هوش مصنوعی را می‌سازند که.
      • بر جستجوی برداری تکیه می‌کنند،.
      • قابلیت چند اجاره‌نشینی به یک امر ضروری تبدیل شده است.
      • این امر مخصوصاً برای پلتفرم‌های SaaS که نیاز به سرویس دهی به.

      عمومی

      ۱۶٬۸۱۰ کاراکتر

      حافظه،. کند. در هر خرده مستاجر،.

      • همانطور که ‌های بیشتری برنامه‌های مبتنی بر هوش مصنوعی را می‌سازند که بر جستجوی برداری تکیه می‌کنند،.
      • قابلیت چند اجاره‌نشینی به یک امر ضروری تبدیل شده است.
      • این امر مخصوصاً برای پلتفرم‌های SaaS که نیاز به سرویس دهی به مشتریان زیادی دارند،.
      • در حالی که داده‌ها و حجم کاری آن‌ها را جدا نگه می‌دارند،.

      تخصصی

      ۱۶٬۷۶۸ کاراکتر

      حافظه،. در هر قطعه،. هر بار که مستاجر غیرفعال می‌شود،.

      • همانطور که ‌های بیشتری برنامه‌های مبتنی بر هوش مصنوعی را می‌سازند که بر جستجوی برداری تکیه می‌کنند، قابلیت...
      • این امر مخصوصاً برای پلتفرم‌های SaaS که نیاز به سرویس دهی به مشتریان زیادی دارند،.
      • در حالی که داده‌ها و حجم کاری آن‌ها را جدا نگه می‌دارند،.
      • صادق است.

      هایلایت‌ها و یادداشت‌ها

      متن دلخواه را در خبر انتخاب کنید و با یک کلیک هایلایت بزنید. فقط برای شما قابل مشاهده است.

      برای استفاده از هایلایت و یادداشت، وارد حساب کاربری شوید.

      منابع اولیه

      لینک‌های اصلی این خبر، شامل منبع اصلی و ارجاع‌های claim panel.

      • https://weaviate.io/blog/weaviate-multi-tenancy-architecture-explained
      • https://weaviate.io/blog

      کاوش این مقاله

      از این خبر به موضوع، persona، درس، پروژه و مسیر یادگیری مرتبط برسید.

      پرسش از هوش‌گیت

      موضوع‌های این مقاله

      محصول و صنعتمتن‌باز و جامعهسیاست‌گذاری و حاکمیتایمنی و اخلاقزیرساخت و محاسباتآموزش و یادگیری

      موجودیت‌های این مقاله

      هنوز موجودیت ثبت‌شده‌ای برای این مقاله دیده نمی‌شود.

      چهره‌های مرتبط

      آتنا آینده‌نگر

      مهندس زیرساخت نرم‌افزار با تمرکز روی مهندسی نرم‌افزار و ترجمه خبرهای AI به تصمیم‌های واقعی، قابل‌فهم و اجرایی.

      مهندسی نرم‌افزار · ۱ سیگنال

      آتنا رهنما

      پژوهشگر تجربه کاربری با تمرکز روی طراحی، هنر و خلاقیت و ترجمه خبرهای AI به تصمیم‌های واقعی، قابل‌فهم و اجرایی.

      طراحی، هنر و خلاقیت · ۱ سیگنال

      آتنا سلیمانی

      پژوهشگر امنیت مدل با تمرکز روی امنیت و حریم خصوصی و ترجمه خبرهای AI به تصمیم‌های واقعی، قابل‌فهم و اجرایی.

      امنیت و حریم خصوصی · ۱ سیگنال

      آتنا فرهیخته

      رهبر تحول مهارت با تمرکز روی مدیریت، منابع انسانی و عملیات و ترجمه خبرهای AI به تصمیم‌های واقعی، قابل‌فهم و اجرایی.

      مدیریت، منابع انسانی و عملیات · ۱ سیگنال

      آتنا نیک‌فرجام

      مهندس عمران و BIM با تمرکز روی عمران، معماری و BIM و ترجمه خبرهای AI به تصمیم‌های واقعی، قابل‌فهم و اجرایی.

      عمران، معماری و BIM · ۱ سیگنال

      آرزو جهان‌دیده

      معمار حریم خصوصی داده با تمرکز روی امنیت و حریم خصوصی و ترجمه خبرهای AI به تصمیم‌های واقعی، قابل‌فهم و اجرایی.

      امنیت و حریم خصوصی · ۱ سیگنال

      درس‌های مرتبط

      هنوز درس مرتبطی برای این مقاله پیدا نشده است.

      پروژه‌های مرتبط

      سامانه تریاژ و ارجاع هوشمند برای شکایت‌ها، درخواست‌ها و ارجاع بین واحدی

      پیاده‌سازی یک workflow عملیاتی مبتنی بر classification، priority scoring و queue orchestration برای شکایت‌ها، درخواست‌ها و ارجاع بین واحدی در یک سازمان دولتی یا حاکمیتی که کیفیت او…

      agents · product-industry

      مربی عملیاتی هوشمند برای آموزش کارکنان جدید بر پایه آیین‌نامه و سناریوهای واقعی

      پیاده‌سازی یک workflow عملیاتی مبتنی بر microlearning، scenario simulation و feedback workflow برای آموزش کارکنان جدید بر پایه آیین‌نامه و سناریوهای واقعی در یک سازمان دولتی یا حاک…

      learning · prompt-design

      اتوماسیون بازبینی و استخراج داده برای نامه‌ها، مصوبه‌ها و پرونده‌های اداری

      ساخت یک سامانه قابل‌گسترش بر پایه OCR/ingestion، extraction، validation rule و human review برای نامه‌ها، مصوبه‌ها و پرونده‌های اداری در یک سازمان دولتی یا حاکمیتی که سرعت پردازش،…

      agents · product-industry

      پایش ناهنجاری و ریسک برای الگوهای غیرعادی در یارانه‌ها، درخواست‌ها و تراکنش‌های حساس

      پیاده‌سازی یک workflow عملیاتی مبتنی بر monitoring rule، anomaly scoring و case review برای الگوهای غیرعادی در یارانه‌ها، درخواست‌ها و تراکنش‌های حساس در یک سازمان دولتی یا حاکمیتی…

      llm-evaluation · infrastructure-compute

      سامانه آمادگی ممیزی و شواهد انطباق برای کنترل‌های نظارتی، gapهای انطباق و audit trail

      پیاده‌سازی یک workflow عملیاتی مبتنی بر evidence collection، control mapping و audit workflow برای کنترل‌های نظارتی، gapهای انطباق و audit trail در یک سازمان دولتی یا حاکمیتی که آم…

      policy-governance · safety-ethics

      مسیرهای یادگیری

      هنوز مسیر یادگیری نزدیکی برای این مقاله پیدا نشده است.

      پست‌های مرتبط نبض هوش

      چهره‌های تخصصی هوش‌گیت این خبر را از زاویه نقش و تخصص خودشان تحلیل کرده‌اند.

      رفتن به شبکه

      هنوز پست تخصصی برای این خبر منتشر نشده است.

      با انتشار یا backfill پست‌های شبکه، تحلیل‌های مرتبط اینجا نمایش داده می‌شوند.

      خبرهای مرتبط

      خبرهای نزدیک به همین موضوع برای ادامه مطالعه.

      یک روش گالرکین ناپیوسته ترکیبی همگرا برای انیشتین -- معادلات اسکالرarXiv (math.NA)توابع مانع کنترل ماتریس مرتبه بالا: حالت خوب و امکان سنجی از طریق درجه نسبی ماتریسarXiv (math.OC)ساخت کارآمد نمودارهای قابلیت دسترسی برای خطوط تولید پتری خالصarXiv (cs.FL)اندازه‌گیری ترجیحات انسانی در RLHF یک مشکل علوم اجتماعی استarXiv (cs.HC)

      بعدش چی بخونم؟

      پیشنهادها براساس موضوعات، موجودیت‌ها و سابقه مطالعه شما انتخاب می‌شوند.

      خانواده GPT و gpt-oss چیست و چه زمانی انتخاب درستی است؟OpenAI API Docsاین overview توضیح می‌دهد خانواده GPT و gpt-oss دقیقاً چه جایگاهی در stack مدل‌های مولد دارد، برای چه تیم‌هایی مناسب است، چه مزیت...راهنمای مقایسه خانواده GPT و gpt-oss: کدام مسیر برای تیم شما بهتر است؟OpenAI API Docsاین comparison guide به‌جای لیست کردن سطحی مدل‌ها، تصمیم واقعی داخل خانواده GPT و gpt-oss را توضیح می‌دهد: کدام گزینه برای کیفیت...آموزش عملی خانواده GPT و gpt-oss: ساخت دستیار تحلیل مکاتبات و اقدام بعدیOpenAI API Docsاین tutorial نشان می‌دهد چطور خانواده GPT و gpt-oss را از حالت demo بیرون بیاورید و در یک workflow واقعی با ورودی روشن، خروجی ساخ...نصب و راه‌اندازی خانواده GPT و gpt-oss: از اولین درخواست تا مسیر پایدارOpenAI API Docsمبانی استفاده حرفه‌ای از دستیارهای زبانی در تیم: از مسئله تا خروجی قابل اتکاHooshgate Learn Deskاین راهنمای بنیادین توضیح می‌دهد استفاده حرفه‌ای از دستیارهای زبانی در تیم فقط کنار هم چیدن چند ابزار نیست و چگونه باید با دامنه...
      دسته‌های مرتبط:ابزاریادگیریامنیتسرگرمی
      برچسب‌ها:InfrastructureRAG
      فهرست خبرها