Crear índices

Los índices de pequeño mundo navegable jerarquizado (HNSW) en AlloyDB para PostgreSQL te permiten acelerar las búsquedas de similitud de vectores en embeddings almacenados con una alta recuperación y una baja latencia de consultas. Puedes crear índices HNSW basados en grafos con la extensión vector, ajustar los parámetros de compilación de índices y ejecutar consultas de similitud en tus embeddings indexados. Para obtener más información sobre el almacenamiento de embeddings, consulta Almacena embeddings de vectores.

Antes de comenzar

Antes de comenzar a crear índices, debes completar los siguientes requisitos previos.

  • Los vectores de embeddings se agregan a una tabla en tu base de datos de AlloyDB.

  • Se instaló la versión 0.5.0 o posterior de la extensión vector que se basa en pgvector, extendida por Google para AlloyDB.

    CREATE EXTENSION IF NOT EXISTS vector;

Crea un índice de HNSW

AlloyDB admite la creación de un índice hnsw basado en grafos disponible con pgvector estándar a través de la extensión pgvector de AlloyDB. El uso de un índice hnsw genera una búsqueda voraz que se mueve por el grafo en busca constante del vecino más cercano al vector de consulta hasta que encuentra un resultado óptimo. Proporciona un rendimiento de consultas más rápido, pero tiempos de compilación más lentos en comparación con IVF.

Para obtener más información sobre el algoritmo de HNSW, consulta Grafos de pequeño mundo navegable jerarquizado.

Para crear un índice hnsw, ejecuta la siguiente consulta:

CREATE INDEX INDEX_NAME ON TABLE
  USING hnsw (EMBEDDING_COLUMN DISTANCE_FUNCTION)
  WITH (m = NUMBER_OF_CONNECTIONS, ef_construction = CANDIDATE_LIST_SIZE);

Reemplaza lo siguiente:

  • INDEX_NAME: el nombre del índice que deseas crear, por ejemplo, my-hnsw-index.

  • TABLE: Es la tabla a la que se agregará el índice.

  • EMBEDDING_COLUMN: Es una columna que almacena datos vector.

  • DISTANCE_FUNCTION: Es la función de distancia que se usará con este índice. Elige una de estas opciones:

    • Distancia de L2: vector_l2_ops

    • Producto interno: vector_ip_ops

    • Distancia de coseno: vector_cosine_ops

  • NUMBER_OF_CONNECTIONS: Es la cantidad máxima de conexiones por nodo en el grafo. Puedes comenzar con el valor predeterminado como 16 y experimentar con valores más altos según el tamaño de tu conjunto de datos.

  • CANDIDATE_LIST_SIZE: Es el tamaño de una lista de candidatos que se mantiene durante la construcción del grafo, que actualiza constantemente los mejores candidatos actuales para los vecinos más cercanos de un nodo. Establece este valor en cualquier valor superior al doble del valor de m, por ejemplo, 64.

Para ver el progreso de la indexación, usa la vista pg_stat_progress_create_index:

SELECT * FROM pg_stat_progress_create_index;

La columna phase muestra el estado actual de la creación del índice, y la fase building graph desaparece después de que se crea el índice.

Para ajustar tu índice para un balance de recuperación y QPS objetivo, consulta Ajusta un índice hnsw.

Ejecuta una consulta

Después de almacenar e indexar las incorporaciones en tu base de datos, puedes comenzar a realizar consultas con la funcionalidad de consulta de pgvector.

Para encontrar los vecinos semánticos más cercanos de un vector de embedding, puedes ejecutar la siguiente consulta de ejemplo, en la que configuras la misma función de distancia que usaste durante la creación del índice.

  SELECT * FROM TABLE
    ORDER BY EMBEDDING_COLUMN DISTANCE_FUNCTION_QUERY 'EMBEDDING'
    LIMIT ROW_COUNT;

Reemplaza lo siguiente:

  • TABLE: Es la tabla que contiene la incorporación con la que se comparará el texto.

  • EMBEDDING_COLUMN: Es la columna que contiene las incorporaciones almacenadas.

  • DISTANCE_FUNCTION_QUERY: Es la función de distancia que se usará con esta consulta. Elige una de las siguientes opciones según la función de distancia que se usó cuando se creó el índice:

    • Distancia de L2: <->

    • Producto interno: <#>

    • Distancia de coseno: <=>

  • EMBEDDING: es el vector de embedding del que deseas encontrar los vecinos semánticos almacenados más cercanos.

  • ROW_COUNT: cantidad de filas que se mostrarán.

    Especifica 1 si solo deseas la mejor coincidencia.

Para obtener más información sobre otros ejemplos de consultas, consulta Consultas.

También puedes usar la función embedding() para traducir el texto en un vector. Aplica el vector a uno de los operadores de vecino más cercano de pgvector, <-> para la distancia L2, para encontrar las filas de la base de datos con las incorporaciones semánticamente más similares.

Debido a que embedding() muestra un array real, debes convertir de forma explícita la llamada embedding() en vector para usar estos valores con operadores pgvector.

¿Qué sigue?