Seleccionar la estrategia de Vector Search y el índice adecuados en AlloyDB AI te permite equilibrar la latencia de las consultas y la exactitud de la búsqueda para tu carga de trabajo. De forma predeterminada, AlloyDB para PostgreSQL usa la búsqueda exacta de k vecinos más cercanos (KNN) para encontrar vectores similares. Cuando creas un índice de vectores, AlloyDB AI usa la búsqueda de vecino más cercano aproximado (ANN) para acelerar el rendimiento de las consultas a escala, a la vez que intercambia una cantidad configurable de recuperación.
La recuperación mide la eficacia con la que una búsqueda recupera todos los elementos relevantes para una consulta determinada. Por ejemplo, imagina que tienes 100 incorporaciones, cada una de las cuales representa una entidad en tu base de datos. Consultas tus embeddings con un vector objetivo y lo limitas a 10 resultados. Una búsqueda de vectores KNN encuentra los 10 vectores más cercanos exactos con un método de cálculo de fuerza bruta, lo que genera una recuperación del 100%. AlloyDB AI usa este método de forma predeterminada si no se crea ni se elige ningún índice de búsqueda de vectores. Cuando creas un índice de vectores en AlloyDB, suele usar ANN, que puede particionar los vectores según la similitud para facilitar una recuperación más rápida. Como resultado, con ANN, es posible que los 10 vectores que se mostraron en el ejemplo anterior no sean exactamente los 10 vectores más cercanos en distancia. Si 9 de los 10 vectores recuperados son los más cercanos en el espacio a tu vector de consulta, tu recuperación es del 90%. Para obtener más información, consulta Mide la recuperación de consultas vectoriales.
La latencia de consultas define la rapidez con la que se generan los resultados de la búsqueda. Por ejemplo, la latencia se calcula en función del tiempo que se dedica a una búsqueda para devolver los vectores después de enviar una consulta.
Elige tu estrategia de búsqueda
Cuando realices una búsqueda de vectores en AlloyDB, elige una de las siguientes estrategias de búsqueda:
| Estrategia de búsqueda | Descripción | Casos de uso |
| K-vecinos más cercanos (KNN) |
Es un algoritmo que encuentra los puntos de datos de los k vecinos más cercanos a un punto de datos de consulta determinado. Cuando realizas una búsqueda de vectores sin crear un índice, se realiza una búsqueda KNN de forma predeterminada. Para mejorar aún más el rendimiento de la búsqueda de KNN, agrega tu columna de incorporación y otras columnas relacionadas con tu consulta al almacén de columnas en el motor de columnas. Puedes agregar las columnas de forma manual o con la estructuración automática en columnas. |
|
| Vecinos más cercanos aproximados (ANN) | Es un algoritmo que encuentra aproximadamente los datos más cercanos. La ANN divide los datos de los clientes existentes en grupos pequeños según las similitudes. |
|
Los dos tipos de índices de vectores basados en ANN comunes para AlloyDB son ScaNN y HNSW. Usa los siguientes lineamientos para decidir qué tipo de índice sería el más adecuado para tu caso de uso:
| Tipo de índice | Cuándo se usa | Beneficios | Aceleración del motor de columnas |
| ScaNN |
Suele ser adecuado para datos de baja dimensión o conjuntos de datos masivos que superan la memoria. Escala bien a 10,000 millones de vectores. |
Ofrece varios beneficios en comparación con HNSW en PostgreSQL estándar:
|
La búsqueda de vectores con el índice ScaNN se puede acelerar con el motor de columnas de AlloyDB. Para obtener más información, consulta Acelera la búsqueda de vectores con el motor de columnas. |
| HNSW |
Suele ser adecuado para datos de dimensiones más altas que se ajustan en gran medida a la caché en memoria. Escala bien a entre 10 y 20 millones de vectores. |
El índice HNSW acelerado por el motor de columnas de pgvector en AlloyDB ofrece consultas vectoriales hasta 5 veces más rápidas que PostgreSQL estándar. | La búsqueda de vectores con el índice HNSW se puede acelerar con el motor de columnas de AlloyDB. Para obtener más información, consulta Acelera la búsqueda de vectores con el motor de columnas. |
Google recomienda que crees un índice de vectores para optimizar el rendimiento de tus consultas de búsqueda de vectores. Para obtener más información sobre cómo se usa el índice de ANN en las búsquedas de similitud, consulta Crea índices con ScaNN.
Para acelerar tu búsqueda de KNN filtrada, usa el motor de columnas.
¿Qué sigue?
- Crea índices y consulta vectores con ScaNN
- Crea índices con HNSW
- Ajusta el rendimiento de las consultas vectoriales