Vektorsuche ausführen

In dieser Anleitung wird beschrieben, wie Sie in AlloyDB for PostgreSQL mit der Google Cloud Console eine Vektorsuche einrichten und ausführen. Die Beispiele zeigen die Möglichkeiten der Vektorsuche und dienen nur zu Demonstrationszwecken.

Informationen zur Verwendung der gefilterten Vektorsuche zum Verfeinern von Ähnlichkeitssuchen finden Sie unter Gefilterte Vektorsuche in AlloyDB for PostgreSQL.

Informationen zum Ausführen einer Vektorsuche mit Vertex AI-Einbettungen finden Sie unter Erste Schritte mit Vektoreinbettungen in AlloyDB AI.

Ziele

• AlloyDB-Cluster und primäre Instanz erstellen.
• Verbindung zur Datenbank herstellen und erforderliche Erweiterungen installieren.
• Tabelle product und product inventory erstellen.
• Daten in die Tabellen product und product inventory einfügen und eine einfache Vektorsuche ausführen.
• ScaNN-Index für die Tabelle „products“ erstellen.
• Einfache Vektorsuche ausführen.
• Komplexe Vektorsuche mit einem Filter und einer Verknüpfung ausführen.

Kosten

In diesem Dokument verwenden Sie die folgenden kostenpflichtigen Komponenten von Google Cloud:

• AlloyDB for PostgreSQL
• Vertex AI

Mit dem Preisrechner können Sie eine Kostenschätzung für Ihre voraussichtliche Nutzung vornehmen. Verwenden Sie den Preisrechner.

Neuen Google Cloud Nutzern vonsteht möglicherweise eine kostenlose Testversion zur Verfügung.

Nach Abschluss der in diesem Dokument beschriebenen Aufgaben können Sie weitere Kosten vermeiden, indem Sie die erstellten Ressourcen löschen. Weitere Informationen finden Sie unter Bereinigen.

Hinweis

Hinweis: Wenn Sie die Schritte in diesem Abschnitt bereits ausgeführt haben, fahren Sie direkt mit Daten zu Produkten und Produktinventar einfügen und eine einfache Vektorsuche ausführen und fahren Sie mit dem Tutorial fort.

Abrechnung und erforderliche APIs aktivieren

1. Rufen Sie in der Google Cloud Console die Seite Cluster auf.

   Zur Projektauswahl

2. Die Abrechnung für Ihr Google Cloud Projekt muss aktiviert sein.

3. Aktivieren Sie die Cloud APIs, die zum Erstellen einer Verbindung zu AlloyDB for PostgreSQL erforderlich sind.

   APIs aktivieren

   1. Klicken Sie im Schritt Projekt bestätigen auf Weiter , um den Namen des Projekts zu bestätigen, in dem Sie Änderungen vornehmen möchten.

   2. Klicken Sie im Schritt APIs aktivieren auf Aktivieren, um Folgendes zu aktivieren:

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

AlloyDB-Cluster und primäre Instanz erstellen

Hinweis: Einige Regionen, die für AlloyDB verfügbar sind, sind nicht für Vertex AI-Modelle für Texteinbettungen verfügbar. Informationen dazu, welche Vertex AI-Funktionen in den einzelnen Vertex AI Regionen verfügbar sind, finden Sie unter Verfügbarkeit von Funktionen.

1. Rufen Sie in der Google Cloud Console die Seite Cluster auf.

   Zu den Clustern

2. Klicken Sie auf Cluster erstellen.

3. Geben Sie unter Cluster-ID my-cluster ein.

4. Geben Sie ein Passwort ein. Notieren Sie sich dieses Passwort, da Sie es in dieser Anleitung verwenden.

5. Wählen Sie eine Region aus, z. B. us-central1 (Iowa).

6. Wählen Sie das Standardnetzwerk aus.

   Wenn Sie eine Verbindung für den privaten Zugriff haben, fahren Sie mit dem nächsten Schritt fort. Klicken Sie andernfalls auf Verbindung einrichten und führen Sie die folgenden Schritte aus:

   1. Klicken Sie unter IP-Bereich zuweisen auf Automatisch zugewiesenen IP-Bereich verwenden.
   2. Klicken Sie auf Weiter und dann auf Verbindung erstellen.

7. Wählen Sie unter Zonale Verfügbarkeit die Option Einzelne Zone aus.

8. Wählen Sie den 2 vCPU,16 GB Maschinentyp aus.

9. Wählen Sie unter Verbindung die Option Öffentliche IP aktivieren aus.

10. Klicken Sie auf Cluster erstellen. Es kann einige Minuten dauern, bis AlloyDB den Cluster erstellt und auf der Seite Übersicht des primären Clusters angezeigt wird.

11. Erweitern Sie unter Instanzen in Ihrem Cluster den Bereich Verbindung. Notieren Sie sich den Verbindungs-URI , da Sie ihn in dieser Anleitung verwenden.

    Der Verbindungs-URI hat das projects/<var>PROJECT_ID</var>/locations/<var>REGION_ID</var>/clusters/my-cluster/instances/my-cluster-primary Format.

Vertex AI-Nutzerberechtigung für AlloyDB-Dienst-Agent erteilen

Damit AlloyDB Vertex AI-Modelle für Texteinbettungen verwenden kann, müssen Sie dem AlloyDB-Dienst-Agent für das Projekt, in dem sich Ihr Cluster und Ihre Instanz befinden, Vertex AI-Nutzerberechtigungen hinzufügen.

Weitere Informationen zum Hinzufügen der Berechtigungen finden Sie unter Vertex AI-Nutzerberechtigung für AlloyDB-Dienst-Agent erteilen.

Verbindung zur Datenbank über einen Webbrowser herstellen

1. Rufen Sie in der Google Cloud Console die Seite Cluster auf.

   Zu den Clustern

2. Klicken Sie in der Spalte Ressourcenname auf den Namen Ihres Clusters, my-cluster.

3. Klicken Sie im Navigationsbereich auf AlloyDB Studio.

4. Führen Sie auf der Seite In AlloyDB Studio anmelden die folgenden Schritte aus:

   1. Wählen Sie die Datenbank postgres aus.
   2. Wählen Sie den Nutzer postgres aus.
   3. Geben Sie das Passwort ein, das Sie unter Cluster und primäre Instanz erstellen erstellt haben.
   4. Klicken Sie auf Authentifizieren. Im Bereich Explorer wird eine Liste der Objekte in der Datenbank postgres angezeigt.

5. Öffnen Sie einen neuen Tab, indem Sie auf + Neuer SQL-Editor-Tab oder + Neuer Tab klicken.

Erforderliche Erweiterungen installieren

Führen Sie die folgende Abfrage aus, um die Erweiterungen vector und alloydb_scann zu installieren:

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

Daten zu Produkten und Produktinventar einfügen und eine einfache Vektorsuche ausführen

1. Führen Sie die folgende Anweisung aus, um eine Tabelle product zu erstellen, die Folgendes tut:

   • Grundlegende Produktinformationen speichern.
   • Eine Vektorspalte embedding enthält, die einen Einbettungsvektor für eine Produktbeschreibung jedes Produkts berechnet und speichert.
   Hinweis: Wenn eine Tabelle mehr als 100.000 Zeilen enthält, empfehlen wir nicht, die Funktion embedding() zu verwenden, um gespeicherte Einbettungen für vorhandene Daten in einer Tabelle zu generieren. Sie eignet sich am besten für die Generierung von Inline-Einbettungen.

     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
     );
   

   Bei Bedarf können Sie mit dem Log-Explorer Logs ansehen und Fehler beheben.

2. Führen Sie die folgende Abfrage aus, um eine Tabelle product_inventory zu erstellen, in der Informationen zum verfügbaren Inventar und zu den entsprechenden Preisen gespeichert werden. Die Tabellen product_inventory und product werden in dieser Anleitung verwendet, um komplexe Vektorsuchanfragen auszuführen.

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

3. Führen Sie die folgende Abfrage aus, um Produktdaten in die Tabelle product einzufügen:

   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. Optional: Führen Sie die folgende Abfrage aus, um zu prüfen, ob die Daten in die Tabelle product eingefügt wurden:

   SELECT * FROM product;
   

5. Führen Sie die folgende Abfrage aus, um Inventardaten in die Tabelle product_inventory einzufügen:

   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. Führen Sie die folgende Vektorsuchanfrage aus, um Produkte zu finden, die dem Wort music ähneln. Das bedeutet, dass auch wenn das Wort music in der Produktbeschreibung nicht explizit erwähnt wird, im Ergebnis Produkte angezeigt werden, die für die Abfrage relevant sind:

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

   Das Ergebnis der Abfrage sieht so aus:

   Bei einer einfachen Vektorsuche ohne Indexerstellung wird die Suche nach dem exakten nächsten Nachbarn (KNN) verwendet, die einen effizienten Recall bietet. Bei großen Datenmengen kann die Verwendung von KNN die Leistung beeinträchtigen. Für eine bessere Abfrageleistung empfehlen wir, den ScaNN-Index für die Suche nach dem geschätzten nächsten Nachbarn (ANN) zu verwenden, der einen hohen Recall mit niedrigen Latenzen bietet.

   Ohne Indexerstellung verwendet AlloyDB standardmäßig die Suche nach dem exakten nächsten Nachbarn (KNN).

   Weitere Informationen zur Verwendung von ScaNN in großem Maßstab finden Sie unter Erste Schritte mit Vektoreinbettungen in AlloyDB AI.

ScaNN-Index für die Tabelle „products“ erstellen

Wichtig: Die Beispiele in dieser Anleitung dienen nur zu Demonstrations zwecken. Wir empfehlen, ScaNN-Indizes nur für Tabellen mit mehr als 10.000 Zeilen zu erstellen.

Führen Sie die folgende Abfrage aus, um einen product_index ScaNN-Index für die Tabelle product zu erstellen:

  CREATE INDEX product_index ON product
  USING scann (embedding cosine)
  WITH (num_leaves=5);

Der Parameter num_leaves gibt die Anzahl der Blattknoten an, mit denen der baumbasierte Index erstellt wird. Weitere Informationen zum Optimieren dieses Parameters finden Sie unter Leistung von Vektorabfragen optimieren.

Vektorsuche ausführen

Führen Sie die folgende Vektorsuchanfrage aus, um Produkte zu finden, die der Abfrage in natürlicher Sprache music ähneln. Auch wenn das Wort music nicht in der Produktbeschreibung enthalten ist, werden im Ergebnis Produkte angezeigt, die für die Abfrage relevant sind:

SET LOCAL scann.num_leaves_to_search = 2;

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

Die Abfrageergebnisse sehen so aus:

Der Abfrageparameter scann.num_leaves_to_search steuert die Anzahl der Blattknoten, die bei einer Ähnlichkeitssuche durchsucht werden. Die num_leaves und scann.num_leaves_to_search Parameterwerte tragen dazu bei, ein Gleichgewicht zwischen Leistung und Recall zu erreichen.

Vektorsuche mit einem Filter und einer Verknüpfung ausführen

Sie können gefilterte Vektorsuchanfragen auch dann effizient ausführen, wenn Sie den ScaNN-Index verwenden. Führen Sie die folgende komplexe Vektorsuchanfrage aus, die relevante Ergebnisse zurückgibt, die die Abfragebedingungen erfüllen, auch mit Filtern:

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;

Gefilterte Vektorsuche beschleunigen

Sie können den spaltenbasierten Content Store verwenden, um die Leistung von Vektorähnlichkeitssuchen zu verbessern, insbesondere von KNN-Suchen (K-Nearest Neighbor), wenn sie mit einer hochselektiven Prädikatfilterung kombiniert werden, z. B. mit LIKE in Datenbanken. In diesem Abschnitt verwenden Sie die vector Erweiterung und die AlloyDB google_columnar_engine Erweiterung. Weitere Informationen zur Funktionsweise der spaltenbasierten Engine finden Sie unter Spaltenbasierte Engine von AlloyDB.

Leistungsverbesserungen ergeben sich aus der integrierten Effizienz der spaltenbasierten Engine beim Scannen großer Datensätze und Anwenden von Filtern wie LIKE-Prädikaten sowie aus der Möglichkeit, mit Vektorunterstützung Zeilen vorzufiltern. Diese Funktion reduziert die Anzahl der Datenteilmengen, die für nachfolgende KNN-Vektordistanzberechnungen erforderlich sind, und trägt zur Optimierung komplexer analytischer Abfragen bei, die Standardfilterung und Vektorsuche umfassen.

Der spaltenbasierte Speicher bietet zwei Optionen zum Verwalten seiner Inhalte:

• Spaltenspeicherinhalte automatisch verwalten: Bei neuen AlloyDB-Instanzen wird standardmäßig die automatische Spaltenformatierung verwendet. Alternativ können Sie die automatische Spaltenformatierung manuell ausführen.
• Spaltenspeicherinhalte manuell verwalten: Wenn Sie die Spalten im Spaltenspeicher für Ihre Arbeitslast manuell verwalten müssen, können Sie die automatische Spaltenformatierung deaktivieren.

So vergleichen Sie die Ausführungszeit einer KNN-Vektorsuche, die durch ein LIKE-Prädikat gefiltert wird, vor und nach dem Aktivieren der spaltenbasierten Engine:

1. Aktivieren Sie die Erweiterung vector, um Vektordatentypen und ‑vorgänge zu unterstützen. Führen Sie die folgenden Anweisungen aus, um eine Beispieltabelle (items) mit einer ID, einer Textbeschreibung und einer 512-dimensionalen Vektoreinbettungsspalte zu erstellen.

   CREATE EXTENSION IF NOT EXISTS vector;
   
   CREATE TABLE items (
       id SERIAL PRIMARY KEY,
       description TEXT,
       embedding VECTOR(512)
   );
   

2. Füllen Sie die Daten, indem Sie die folgenden Anweisungen ausführen, um 1 Million Zeilen in die Beispieltabelle items einzufügen.

   -- 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. Messen Sie die Baseline-Leistung der Vektorähnlichkeitssuche ohne die spaltenbasierte Engine.

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

4. Aktivieren Sie die spaltenbasierte Engine und die Vektorunterstützung, indem Sie den folgenden Befehl in der Google Cloud CLI ausführen. Wenn Sie die gcloud CLI verwenden möchten, können Sie die gcloud CLI installieren und initialisieren.

   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

5. Fügen Sie die Tabelle items der spaltenbasierten Engine hinzu:

   SELECT google_columnar_engine_add('items');
   

6. Messen Sie die Leistung der Vektorähnlichkeitssuche mit der spaltenbasierten Engine. Führen Sie die Abfrage noch einmal aus, die Sie zuvor zur Messung der Baseline-Leistung ausgeführt haben.

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

7. Führen Sie den folgenden Befehl aus, um zu prüfen, ob die Abfrage mit der spaltenbasierten Engine ausgeführt wurde:

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

Bereinigen

1. Rufen Sie in der Google Cloud Console die Seite Cluster auf.

   Zu den Clustern

2. Klicken Sie in der Spalte Ressourcenname auf den Namen Ihres Clusters, my-cluster.

3. Klicken Sie auf Cluster löschen.

4. Geben Sie unter Cluster „my-cluster“ löschen my-cluster ein, um zu bestätigen, dass Sie den Cluster löschen möchten.

5. Klicken Sie auf Löschen.

6. Wenn Sie beim Erstellen eines Clusters eine private Verbindung erstellt haben, rufen Sie in der Google Cloud Console die Seite „Netzwerk“ auf und klicken Sie auf VPC-Netzwerk löschen.

Nächste Schritte

• Anwendungsfälle für die Vektorsuche aus der Praxis .
• Erste Schritte mit Vektoreinbettungen in AlloyDB AI.
• Erfahren Sie, wie Sie generative KI-Anwendungen mit AlloyDB AI erstellen.
• ScaNN-Index erstellen.
• ScaNN-Indizes optimieren.
• Smart Shopping Assistant mit AlloyDB, pgvector und der Verwaltung von Modellendpunkten erstellen.
• Fehler mit dem Log-Explorer beheben