专题演讲嘉宾：武云峰

在GenAI 快速发展的背景下，企业在使用向量数据库时面临多重挑战。当前用户在大量使用向量数据库过程中遇到的主要痛点有：​

• 数据迁移复杂，切换成本高：随着业务需求的变化，企业可能需要更换向量数据库。然而，不同向量数据库在数据格式、查询接口和性能指标等方面存在差异，导致数据迁移成为一项复杂且高成本的任务。传统的 ETL 工具主要针对结构化数据，缺乏对向量数据特性的支持，使得向量数据库之间的数据迁移更加困难。
• 数据合规性与主权问题：在全球部署 AI 应用时，企业需遵守各地的数据保护法规，如 GDPR 等。传统基础设施在灵活适应不同地区的合规需求方面存在限制，难以满足数据主权和合规性的要求。
• 数据模型演进（Schema Evolution）困难：随着业务的发展，数据模型可能需要变更，例如增加新的向量或标量字段，并填充历史数据。在传统数据库中，模式演进可能导致数据不一致或需要大量的手动干预

过去一年，Zilliz Cloud在这几个问题上取得了一些关键进展：开发专门针对向量数据的迁移工具，如基于 Apache SeaTunnel 的 VTS（Vector Transport Service），以支持向量和非结构化数据的高效迁移；采用 BYOC（Bring Your Own Cloud）模式，使组织能够在自己的私有云环境中托管数据，确保数据主权和合规性。同时，实施透明加密机制和严格的访问控制，保障数据安全；引入支持 Schema Evolution with data backfill 的机制，保证上层业务模型发生改变时，能够快速应对。

演讲提纲

1. AI基础设施的行业重塑浪潮
   • AI Gen时代对数据基础设施的新需求
   • 向量数据库在生成式AI中的关键角色
   • 从存储数据到理解数据：基础设施的范式转变
2. 当前用户或业务遇到痛点问题
   • 数据迁移复杂，切换成本高
   • 数据合规性与主权问题
   • 数据模型演进（Schema Evolution）困难
3. 核心能力进展与技术亮点
   • 数据迁移复杂，切换成本高，让数据迁移更像“流动”而不是“搬家”
     • 向量数据从本地、第三方云无缝迁移
     • 集群内迁移场景的灵活调度：降低业务中断、支持弹性资源伸缩
     • 用例：客户在训练/推理阶段的多集群协同处理
   • 数据合规性与主权问题，引入BYOC Deployment Mode
     • 企业能够在自己的云环境中托管数据，确保数据主权和合规性，又可以实现服务的完全托管
     • TDE（Transparent Data Encryption）如何守护AI时代的数据隐私
   • 高级数据处理：从数据库走向智能数据平台
     • 支持数据模型的演化
     • 更适配AI场景中的模型重训练、数据补充等操作
4. 构建全球分布式的AI数据云
   • Geo Replication：多地域/多云同步，提升响应速度与容灾能力
   • 托管模型（Model Hosting）：下一步计划支持轻量推理与在线嵌入
   • 服务全球AI开发者，打造“模型 + 数据 + 算法”的一体化平台

听众收益

• 理解向量数据库在AI系统中的核心价值与应用场景
• 获取AI基础设施在数据迁移、安全合规、数据处理方面的最新实践经验
• 了解如何通过Zilliz Cloud快速构建企业级、可演进的AI数据平台
• 获取Zilliz Cloud在Geo Replication、托管模型等未来能力的前瞻信息