在 AlloyDB AI 中選擇向量索引

在 AlloyDB AI 中選取合適的向量搜尋策略和索引,即可在工作負載的查詢延遲時間和搜尋準確度之間取得平衡。根據預設,AlloyDB for PostgreSQL 會使用精確 K 近鄰 (KNN) 搜尋來尋找相似的向量。建立向量索引時,AlloyDB AI 會使用近似最鄰近 (ANN) 搜尋,大規模加快查詢效能,同時捨棄可設定的喚回度。

喚回度:評估搜尋功能能否有效擷取與特定查詢相關的所有項目。舉例來說,假設您有 100 個嵌入,每個嵌入代表資料庫中的一個實體。您使用目標向量查詢嵌入,並將結果限制為 10 個。KNN 向量搜尋會使用暴力破解計算方法,找出 10 個最接近的向量,因此檢索率為 100%。如果未建立或選擇向量搜尋索引,AlloyDB AI 預設會使用這個方法。在 AlloyDB 建立向量索引時,通常會使用 ANN,根據相似度將向量分區,加快檢索速度。因此,使用 ANN 時,先前範例傳回的 10 個向量可能不完全是距離最近的 10 個向量。如果擷取的 10 個向量中,有 9 個在空間上最接近查詢向量,則喚回度為 90%。詳情請參閱「評估向量查詢檢索率」。

查詢延遲時間定義搜尋結果的生成速度。舉例來說,延遲時間是根據提交查詢後,搜尋傳回向量所花費的時間計算。

選擇搜尋策略

在 AlloyDB 執行向量搜尋時,請選擇下列其中一種搜尋策略:

搜尋策略 說明 用途
K-近鄰演算法 (KNN)

這項演算法會找出與指定查詢資料點最接近的 k 個鄰近資料點。執行向量搜尋時,如果未建立索引,系統預設會執行 KNN 搜尋。

如要進一步提升 KNN 搜尋的效能,請將嵌入資料欄和與查詢相關的其他資料欄,新增至資料欄引擎中的資料欄儲存庫。您可以手動新增資料欄,或使用自動分欄功能新增資料欄。

  • 您的應用程式對準確度非常敏感,需要最接近的相符項目。
  • 您有數萬個向量
近似最鄰近 (ANN) 這類演算法會找出大致最接近的資料點。ANN 會根據相似度,將現有顧客資料點分成多個小群組。
  • 應用程式需要低延遲。
  • 向量數量超過 10 萬。

AlloyDB 有兩種常見的 ANN 向量索引類型:ScaNN 和 HNSW。請按照下列規範,決定最適合您用途的索引類型:

索引類型 使用時機 優點 資料欄引擎加速
ScaNN

通常適用於低維度資料或超出記憶體的大型資料集。

可擴充至 100 億個向量。

與標準 PostgreSQL 上的 HNSW 相比,具有多項優點:

  • 向量查詢速度快達 6 倍,篩選向量搜尋查詢速度快達 10 倍
  • 索引建立速度快達 16 倍
  • 寫入處理量最高可達 24 倍
  • 記憶體用量最多可節省 4 倍
AlloyDB 資料欄引擎可加快 ScaNN 索引的向量搜尋速度。詳情請參閱「使用資料欄引擎加速向量搜尋」。
HNSW

通常適用於高維度資料,且資料大多能放入記憶體快取。

可擴充至 1,000 萬到 2,000 萬個向量。

AlloyDB 的 pgvector 資料欄引擎加速 HNSW 索引,向量查詢速度最多比標準 PostgreSQL 快 5 倍 AlloyDB 資料欄引擎可加快使用 HNSW 索引的向量搜尋。詳情請參閱「使用資料欄引擎加速向量搜尋」。

Google 建議您建立向量索引,以最佳化向量搜尋查詢的效能。如要進一步瞭解如何使用 ANN 索引進行相似度搜尋,請參閱「使用 ScaNN 建立索引」。

如要加快篩選 KNN 搜尋,請使用資料欄引擎。

後續步驟