אינדקסים מסוג Inverted File Flat (IVFFlat) ב-AlloyDB ל-PostgreSQL מאפשרים להאיץ חיפושים של דמיון וקטורי בהטמעות מאוחסנות, תוך צמצום זמן היצירה של האינדקס והשימוש בזיכרון. אתם יכולים ליצור אינדקסים של IVFFlat באמצעות התוסף vector ולשלוח שאילתות להטמעות שנוספו לאינדקס. מידע נוסף על אחסון הטמעות זמין במאמר אחסון הטמעות וקטוריות.
לפני שמתחילים
לפני שמתחילים ליצור אינדקסים, צריך לבצע את הפעולות הבאות.
וקטורי ההטמעה מתווספים לטבלה במסד הנתונים ב-AlloyDB.
גרסה
0.5.0ומעלה של התוסףvector, שמבוסס עלpgvector, שהורחב על ידי Google ל-AlloyDB, מותקנת.CREATE EXTENSION IF NOT EXISTS vector;
יצירת אינדקס IVFFlat
ב-Stock pgvector יש גם גרסה של האינדקס IVF שנקראת IVFFlat. זמן היצירה של האינדקס הזה קצר יותר והוא תופס פחות הזיכרון שבשימוש בהשוואה לאינדקס hnsw.
כדי ליצור אינדקס IVFFlat, מבצעים את השלבים הבאים:
CREATE INDEX INDEX_NAME ON TABLE
USING ivfflat (EMBEDDING_COLUMN DISTANCE_FUNCTION)
WITH (lists = LIST_COUNT);
מחליפים את מה שכתוב בשדות הבאים:
INDEX_NAME: שם האינדקס שרוצים ליצור, לדוגמהmy-ivf-index.
TABLE: הטבלה שרוצים להוסיף לה את האינדקס.
EMBEDDING_COLUMN: עמודה שבה מאוחסנים נתונים מסוגvector.
DISTANCE_FUNCTION: פונקציית המרחק שבה משתמשים באינדקס הזה. צריך לבחור אחת מהאפשרויות:מרחק L2:
vector_l2_opsמכפלה פנימית:
vector_ip_opsמרחק קוסינוס:
vector_cosine_ops
LIST_COUNT: מספר הרשימות שבהן צריך להשתמש עם האינדקס הזה. מידע נוסף על אופן ההחלטה לגבי הערך הזה זמין במאמר כוונון של אינדקס IVFFlat.כדי ליצור את האינדקס הזה בעמודת הטמעה שמשתמשת בסוג הנתונים
real[]במקום ב-vector, צריך להמיר את העמודה לסוג הנתוניםvector:
CREATE INDEX INDEX_NAME ON TABLE
USING ivfflat ((CAST(EMBEDDING_COLUMN AS vector(DIMENSIONS))) DISTANCE_FUNCTION)
WITH (lists = LIST_COUNT);
מחליפים את DIMENSIONS ברוחב הממדי של עמודת ההטמעה. למידע נוסף על איך למצוא את המאפיינים, עיינו בפונקציה vector_dims בפונקציות וקטוריות.
כדי לראות את התקדמות ההוספה לאינדקס, משתמשים בתצוגה pg_stat_progress_create_index:
SELECT * FROM pg_stat_progress_create_index;
בעמודה phase מוצג המצב הנוכחי של יצירת האינדקס.
כדי לכוונן את האינדקס לאיזון בין יעד ה-recall ל-QPS, קראו את המאמר כוונון אינדקס IVFFlat.
הרצת שאילתה
אחרי שמאחסנים את ההטמעות במסד הנתונים ומוסיפים אותן לאינדקס, אפשר להתחיל לשלוח שאילתות באמצעות פונקציונליות השאילתות של pgvector.
כדי למצוא את השכנים הסמנטיים הקרובים ביותר לווקטור הטמעה, אפשר להריץ את השאילתה לדוגמה הבאה, שבה מגדירים את אותה פונקציית מרחק שבה השתמשתם במהלך יצירת האינדקס.
SELECT * FROM TABLE
ORDER BY EMBEDDING_COLUMN DISTANCE_FUNCTION_QUERY 'EMBEDDING'
LIMIT ROW_COUNT;
מחליפים את מה שכתוב בשדות הבאים:
TABLE: הטבלה שמכילה את ההטמעה שאליה משווים את הטקסט.
EMBEDDING_COLUMN: העמודה שמכילה את ההטמעות השמורות.
DISTANCE_FUNCTION_QUERY: פונקציית המרחק שבה משתמשים בשאילתה הזו. בוחרים אחת מהאפשרויות הבאות, בהתאם לפונקציית המרחק שבה השתמשתם כשנוצר האינדקס:מרחק L2:
<->מכפלה פנימית:
<#>מרחק קוסינוס:
<=>
EMBEDDING: וקטור ההטמעה שרוצים למצוא את השכנים הסמנטיים המאוחסנים הכי קרובים אליו.
ROW_COUNT: מספר השורות שיוחזרו.ציינו
1אם אתם רוצים רק את ההתאמה הטובה ביותר.
למידע נוסף על דוגמאות אחרות לשאילתות, ראו שאילתות.
אפשר גם להשתמש בפונקציה embedding() כדי לתרגם את הטקסט לווקטור. מחילים את הווקטור על אחד מהאופרטורים של pgvector השכנים הקרובים ביותר, <-> למרחק L2, כדי למצוא את שורות מסד הנתונים עם ההטמעות הכי דומות מבחינה סמנטית.
מכיוון שהפונקציה embedding() מחזירה מערך real, צריך להמיר באופן מפורש את הקריאה ל-embedding() ל-vector כדי להשתמש בערכים האלה עם אופרטורים של pgvector.
המאמרים הבאים
- יצירת אינדקס ScaNN
- הרצת חיפושים של דמיון וקטורי
- כוונון הביצועים של שאילתות וקטוריות
- מדדים של אינדקס וקטורי
- איך יוצרים עוזר חכם לשופינג באמצעות AlloyDB, pgvector וניהול נקודות קצה של מודלים