Esegui una ricerca vettoriale

Questo tutorial descrive come configurare ed eseguire una ricerca vettoriale in AlloyDB per PostgreSQL utilizzando la Google Cloud console. Sono inclusi esempi per mostrare le funzionalità di ricerca vettoriale, ma sono destinati solo a scopi dimostrativi.

Per informazioni su come utilizzare la ricerca vettoriale filtrata per perfezionare le ricerche di similarità, vedi Ricerca vettoriale filtrata in AlloyDB per PostgreSQL.

Per scoprire come eseguire una ricerca vettoriale con gli embedding di Vertex AI, vedi Iniziare a utilizzare il vector embedding con l'AI di AlloyDB.

Obiettivi

  • Crea un cluster AlloyDB e un'istanza principale.
  • Connettiti al database e installa le estensioni richieste.
  • Crea una tabella product e product inventory.
  • Inserisci i dati nelle tabelle product e product inventory ed esegui una ricerca vettoriale di base.
  • Crea un indice ScaNN nella tabella dei prodotti.
  • Esegui una ricerca vettoriale di base.
  • Esegui una ricerca vettoriale complessa con un filtro e un join.

Costi

In questo documento vengono utilizzati i seguenti componenti fatturabili di Google Cloud:

Per generare una stima dei costi in base all'utilizzo previsto, utilizza il calcolatore prezzi.

I nuovi Google Cloud utenti potrebbero avere diritto a una prova senza costi.

Al termine delle attività descritte in questo documento, puoi evitare l'addebito di ulteriori costi eliminando le risorse che hai creato. Per saperne di più, consulta Esegui la pulizia.

Prima di iniziare

Abilita fatturazione e API richieste

  1. Nella Google Cloud console, vai alla pagina Cluster.

    Vai al selettore di progetti

  2. Verifica che la fatturazione sia abilitata per il tuo Google Cloud progetto.

  3. Abilita le API Cloud necessarie per creare e connetterti ad AlloyDB per PostgreSQL.

    Abilita le API

    1. Nel passaggio Conferma progetto, fai clic su Avanti per confermare il nome del progetto a cui apporterai le modifiche.

    2. Nel passaggio Abilita API, fai clic su Abilita per abilitare quanto segue:

      • API AlloyDB
      • API Compute Engine
      • API Service Networking
      • API Vertex AI

Crea un cluster AlloyDB e un'istanza principale

  1. Nella Google Cloud console, vai alla pagina Cluster.

    Vai a Cluster

  2. Fai clic su Crea cluster.

  3. In ID cluster, inserisci my-cluster.

  4. Inserisci una password. Prendi nota di questa password perché la utilizzerai in questo tutorial.

  5. Seleziona una regione, ad esempio us-central1 (Iowa).

  6. Seleziona la rete predefinita.

    Se hai una connessione di accesso privato, vai al passaggio successivo. In caso contrario, fai clic su Configura connessione e segui questi passaggi:

    1. In Alloca un intervallo IP, fai clic su Utilizza un intervallo IP allocato automaticamente.
    2. Fai clic su Continua e poi su Crea connessione.

  7. In Disponibilità a livello di zona, seleziona Zona singola.

  8. Seleziona il tipo di macchina 2 vCPU,16 GB.

  9. In Connettività, seleziona Abilita IP pubblico.

  10. Fai clic su Crea cluster. La creazione del cluster da parte di AlloyDB e la sua visualizzazione nella pagina Panoramica del cluster principale potrebbero richiedere diversi minuti.

  11. In Istanze nel tuo cluster, espandi il riquadro Connettività. Prendi nota dell'URI di connessione perché lo utilizzerai in questo tutorial.

    L'URI di connessione è nel formato projects/<var>PROJECT_ID</var>/locations/<var>REGION_ID</var>/clusters/my-cluster/instances/my-cluster-primary.

Concedi all'utente di Vertex AI l'autorizzazione per l'agente di servizio AlloyDB

Per consentire ad AlloyDB di utilizzare i modelli di text embedding di Vertex AI, devi aggiungere le autorizzazioni utente di Vertex AI al service agent AlloyDB per il progetto in cui si trovano il cluster e l'istanza.

Per ulteriori informazioni su come aggiungere le autorizzazioni, vedi Concedi all'utente di Vertex AI l'autorizzazione per il service agent AlloyDB.

Connettiti al database utilizzando un browser web

  1. Nella Google Cloud console, vai alla pagina Cluster.

    Vai a Cluster

  2. Nella colonna Nome risorsa, fai clic sul nome del cluster, my-cluster.

  3. Nel riquadro di navigazione, fai clic su AlloyDB Studio.

  4. Nella pagina Accedi ad AlloyDB Studio, segui questi passaggi:

    1. Seleziona il database postgres.
    2. Seleziona l'utente postgres.
    3. Inserisci la password che hai creato in Crea un cluster e la relativa istanza principale.
    4. Fai clic su Autentica. Nel riquadro Explorer viene visualizzato un elenco degli oggetti nel database postgres.

  5. Apri una nuova scheda facendo clic su + Nuova scheda dell'editor SQL o su + Nuova scheda.

Installa le estensioni richieste

Esegui la seguente query per installare le estensioni vector e alloydb_scann:

  CREATE EXTENSION IF NOT EXISTS vector;
  CREATE EXTENSION IF NOT EXISTS alloydb_scann;

Inserisci i dati di prodotto e inventario dei prodotti ed esegui una ricerca vettoriale di base

  1. Esegui la seguente istruzione per creare una tabella product che:

    • Memorizza le informazioni di base sul prodotto.
    • Include una colonna vettoriale embedding che calcola e memorizza un vettore di embedding per la descrizione di ogni prodotto.
      CREATE TABLE product (
    id INT PRIMARY KEY,
    name VARCHAR(255) NOT NULL,
    description TEXT,
    category VARCHAR(255),
    color VARCHAR(255),
    embedding vector(768) GENERATED ALWAYS AS (embedding('text-embedding-005', description)) STORED
  );

    Se necessario, puoi utilizzare Esplora log per visualizzare i log e risolvere gli errori.

  2. Esegui la seguente query per creare una tabella product_inventory che memorizza le informazioni sull'inventario disponibile e sui prezzi corrispondenti. Le tabelle product_inventory e product vengono utilizzate in questo tutorial per eseguire query di ricerca vettoriale complesse.

    CREATE TABLE product_inventory (
  id INT PRIMARY KEY,
  product_id INT REFERENCES product(id),
  inventory INT,
  price DECIMAL(10,2)
);

  3. Esegui la seguente query per inserire i dati di prodotto nella tabella product:

    INSERT INTO product (id, name, description,category, color) VALUES
(1, 'Stuffed Elephant', 'Soft plush elephant with floppy ears.', 'Plush Toys', 'Gray'),
(2, 'Remote Control Airplane', 'Easy-to-fly remote control airplane.', 'Vehicles', 'Red'),
(3, 'Wooden Train Set', 'Classic wooden train set with tracks and trains.', 'Vehicles', 'Multicolor'),
(4, 'Kids Tool Set', 'Toy tool set with realistic tools.', 'Pretend Play', 'Multicolor'),
(5, 'Play Food Set', 'Set of realistic play food items.', 'Pretend Play', 'Multicolor'),
(6, 'Magnetic Tiles', 'Set of colorful magnetic tiles for building.', 'Construction Toys', 'Multicolor'),
(7, 'Kids Microscope', 'Microscope for kids with different magnification levels.', 'Educational Toys', 'White'),
(8, 'Telescope for Kids', 'Telescope designed for kids to explore the night sky.', 'Educational Toys', 'Blue'),
(9, 'Coding Robot', 'Robot that teaches kids basic coding concepts.', 'Educational Toys', 'White'),
(10, 'Kids Camera', 'Durable camera for kids to take pictures and videos.', 'Electronics', 'Pink'),
(11, 'Walkie Talkies', 'Set of walkie talkies for kids to communicate.', 'Electronics', 'Blue'),
(12, 'Karaoke Machine', 'Karaoke machine with built-in microphone and speaker.', 'Electronics', 'Black'),
(13, 'Kids Drum Set', 'Drum set designed for kids with adjustable height.', 'Musical Instruments', 'Blue'),
(14, 'Kids Guitar', 'Acoustic guitar for kids with nylon strings.', 'Musical Instruments', 'Brown'),
(15, 'Kids Keyboard', 'Electronic keyboard with different instrument sounds.', 'Musical Instruments', 'Black'),
(16, 'Art Easel', 'Double-sided art easel with chalkboard and whiteboard.', 'Arts & Crafts', 'White'),
(17, 'Finger Paints', 'Set of non-toxic finger paints for kids.', 'Arts & Crafts', 'Multicolor'),
(18, 'Modeling Clay', 'Set of colorful modeling clay.', 'Arts & Crafts', 'Multicolor'),
(19, 'Watercolor Paint Set', 'Watercolor paint set with brushes and palette.', 'Arts & Crafts', 'Multicolor'),
(20, 'Beading Kit', 'Kit for making bracelets and necklaces with beads.', 'Arts & Crafts', 'Multicolor'),
(21, '3D Puzzle', '3D puzzle of a famous landmark.', 'Puzzles', 'Multicolor'),
(22, 'Race Car Track Set', 'Race car track set with cars and accessories.', 'Vehicles', 'Multicolor'),
(23, 'RC Monster Truck', 'Remote control monster truck with oversized tires.', 'Vehicles', 'Green'),
(24, 'Train Track Expansion Set', 'Expansion set for wooden train tracks.', 'Vehicles', 'Multicolor');

  4. (Facoltativo) Esegui la seguente query per verificare che i dati siano inseriti nella tabella product:

    SELECT * FROM product;

  5. Esegui la seguente query per inserire i dati di inventario nella tabella product_inventory:

    INSERT INTO product_inventory (id, product_id, inventory, price) VALUES
(1, 1, 9, 13.09),
(2, 2, 40, 79.82),
(3, 3, 34, 52.49),
(4, 4, 9, 12.03),
(5, 5, 36, 71.29),
(6, 6, 10, 51.49),
(7, 7, 7, 37.35),
(8, 8, 6, 10.87),
(9, 9, 7, 42.47),
(10, 10, 3, 24.35),
(11, 11, 4, 10.20),
(12, 12, 47, 74.57),
(13, 13, 5, 28.54),
(14, 14, 11, 25.58),
(15, 15, 21, 69.84),
(16, 16, 6, 47.73),
(17, 17, 26, 81.00),
(18, 18, 11, 91.60),
(19, 19, 8, 78.53),
(20, 20, 43, 84.33),
(21, 21, 46, 90.01),
(22, 22, 6, 49.82),
(23, 23, 37, 50.20),
(24, 24, 27, 99.27);

  6. Esegui la seguente query di ricerca vettoriale che tenta di trovare i prodotti simili alla parola music. Ciò significa che, anche se la parola music non è menzionata esplicitamente nella descrizione del prodotto, il risultato mostra i prodotti pertinenti alla query:

    SELECT * FROM product
ORDER BY embedding <=> embedding('text-embedding-005', 'music')::vector
LIMIT 3;

    Il risultato della query è il seguente: Risultato della query di ricerca di base

    L'esecuzione di una ricerca vettoriale di base senza creare un indice utilizza la ricerca esatta del vicino più prossimo (KNN), che fornisce un richiamo efficiente. Su larga scala, l'utilizzo di KNN potrebbe influire sulle prestazioni. Per un rendimento migliore delle query, ti consigliamo di utilizzare l'indice ScaNN per la ricerca approssimativa del vicino più prossimo (ANN), che fornisce un richiamo elevato con latenze ridotte.

    Senza creare un indice, AlloyDB utilizza per impostazione predefinita la ricerca esatta del vicino più prossimo (KNN).

    Per saperne di più sull'utilizzo di ScaNN su larga scala, vedi Iniziare a utilizzare il vector embedding con l'AI di AlloyDB.

Crea un indice ScaNN ottimizzato manualmente nella tabella dei prodotti

Esegui la seguente query per creare un indice ScaNN product_index nella tabella product:

CREATE INDEX product_index ON product
USING scann (embedding cosine)
WITH (mode='MANUAL', num_leaves=4);

Per ulteriori informazioni sulla creazione di un indice ScaNN, vedi Crea un indice ScaNN.

Esegui la seguente query di ricerca vettoriale che tenta di trovare i prodotti simili alla query in linguaggio naturale music. Anche se la parola music non è inclusa nella descrizione del prodotto, il risultato mostra i prodotti pertinenti alla query:

SET LOCAL scann.num_leaves_to_search = 2;

SELECT * FROM product
ORDER BY embedding <=> embedding('text-embedding-005', 'music')::vector
  LIMIT 3;

I risultati della query sono i seguenti: Risultato della query di ricerca vettoriale

Il parametro della query scann.num_leaves_to_search controlla il numero di nodi foglia cercati durante una ricerca di similarità. I valori dei parametri num_leaves e scann.num_leaves_to_search consentono di ottenere un equilibrio tra rendimento e richiamo.

Puoi eseguire query di ricerca vettoriale filtrate in modo efficiente anche quando utilizzi l'indice ScaNN. Esegui la seguente query di ricerca vettoriale complessa, che restituisce risultati pertinenti che soddisfano le condizioni della query, anche con i filtri:

SET LOCAL scann.num_leaves_to_search = 2;

SELECT * FROM product p
JOIN product_inventory pi ON p.id = pi.product_id
WHERE pi.price < 80.00
ORDER BY embedding <=> embedding('text-embedding-005', 'music')::vector
LIMIT 3;

Puoi utilizzare l'archivio di contenuti del motore colonnare per migliorare il rendimento delle ricerche di similarità vettoriale, in particolare le ricerche K-Nearest Neighbor (KNN), se combinate con il filtraggio dei predicati altamente selettivo, ad esempio utilizzando LIKE, nei database. In questa sezione utilizzerai l'estensione vector e l'estensione google_columnar_engine di AlloyDB. Per ulteriori informazioni sul funzionamento del motore colonnare, vedi Informazioni sul motore colonnare di AlloyDB.

I miglioramenti del rendimento derivano dall'efficienza integrata del motore colonnare nella scansione di set di dati di grandi dimensioni e nell'applicazione di filtri, come i predicati LIKE, unita alla sua capacità, grazie al supporto vettoriale, di prefiltrare le righe. Questa funzionalità riduce il numero di sottoinsiemi di dati necessari per i calcoli successivi della distanza vettoriale KNN e aiuta a ottimizzare le query analitiche complesse che coinvolgono il filtraggio standard e la ricerca vettoriale.

L'archivio colonnare offre due opzioni per gestire i contenuti:

Per confrontare il tempo di esecuzione di una ricerca vettoriale KNN filtrata da un predicato LIKE prima e dopo l'abilitazione del motore colonnare, segui questi passaggi:

  1. Abilita l'estensione vector per supportare i tipi di dati e le operazioni vettoriali. Esegui le seguenti istruzioni per creare una tabella di esempio (items) con un ID, una descrizione di testo e una colonna di vector embedding a 512 dimensioni.

    CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE items (
    id SERIAL PRIMARY KEY,
    description TEXT,
    embedding VECTOR(512)
);

  2. Popola i dati eseguendo le seguenti istruzioni per inserire 1 milione di righe nella tabella di esempio items.

    -- Simplified example of inserting matching (~0.1%) and non-matching data
INSERT INTO items (description, embedding)
SELECT
    CASE WHEN g % 1000 = 0 THEN 'product_' || md5(random()::text) || '_common' -- ~0.1% match
    ELSE 'generic_item_' || g || '_' || md5(random()::text)    -- ~99.9% don't match
    END,
    random_vector(512) -- Assumes random_vector function exists
FROM generate_series(1, 999999) g;

  3. Misura il rendimento di base della ricerca di similarità vettoriale senza il motore colonnare.

    SELECT id, description, embedding <-> '[...]' AS distance
FROM items
WHERE description LIKE '%product_%_common%'
ORDER BY embedding <-> '[...]'
LIMIT 100;

  4. Abilita il motore colonnare e il supporto vettoriale eseguendo il seguente comando in Google Cloud CLI. Per utilizzare gcloud CLI, puoi installare e inizializzare gcloud CLI.

    gcloud beta alloydb instances update INSTANCE_ID \
    --cluster=CLUSTER_ID \
    --region=REGION_ID \
    --project=PROJECT_ID \
    --database-flags=google_columnar_engine.enabled=on,google_columnar_engine.enable_vector_support=on

    Sostituisci quanto segue:

    • INSTANCE_ID: l'ID dell'istanza.
    • CLUSTER_ID: l'ID del cluster.
    • REGION_ID: la regione in cui si trova il cluster.
    • PROJECT_ID: l'ID del progetto in cui si trova il cluster.

  5. Aggiungi la tabella items al motore colonnare:

    SELECT google_columnar_engine_add('items');

  6. Misura il rendimento della ricerca di similarità vettoriale utilizzando il motore colonnare. Esegui di nuovo la query che hai eseguito in precedenza per misurare il rendimento di base.

    SELECT id, description, embedding <-> '[...]' AS distance
FROM items
WHERE description LIKE '%product_%_common%'
ORDER BY embedding <-> '[...]'
LIMIT 100;

  7. Per verificare se la query è stata eseguita con il motore colonnare, esegui il seguente comando:

    explain (analyze) SELECT id, description, embedding <-> '[...]' AS distance
FROM items
WHERE description LIKE '%product_%_common%'
ORDER BY embedding <-> '[...]'
LIMIT 100;

Libera spazio

  1. Nella Google Cloud console, vai alla pagina Cluster.

    Vai a Cluster

  2. Fai clic sul nome del cluster, my-cluster, nella colonna Nome risorsa.

  3. Fai clic su Elimina cluster.

  4. In Elimina cluster my-cluster, inserisci my-cluster per confermare che vuoi eliminare il cluster.

  5. Fai clic su Elimina.

  6. Se hai creato una connessione privata quando hai creato un cluster, vai alla Google Cloud pagina Rete della console e fai clic su Elimina rete VPC.

Passaggi successivi