Aprende a ajustar los siguientes índices vectoriales para lograr un rendimiento de las consultas más rápido y una mejor recuperación en AlloyDB para PostgreSQL:
También puedes analizar tus búsquedas y ver las métricas del índice de vectores para supervisar y mejorar el rendimiento de las búsquedas.
Ajusta un índice de HNSW
Ajustar los valores que estableces para los parámetros m, ef_construction y hnsw.ef_search puede ayudarte a optimizar el rendimiento de la aplicación.
| Parámetro de ajuste | Descripción | Tipo de parámetro |
|---|---|---|
m |
Es la cantidad máxima de conexiones desde un nodo en el gráfico. Puedes comenzar con el valor predeterminado como 16(predeterminado) y experimentar con valores más altos según el tamaño de tu conjunto de datos. |
Creación de índices |
ef_construction |
Es el tamaño de la lista de candidatos dinámicos que se mantiene durante la construcción del grafo y 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(predeterminado). |
Creación de índices |
ef_search |
Es el tamaño de la lista de candidatos dinámicos que se usa durante la búsqueda. Puedes comenzar a establecer este valor en m o ef_construction, y luego cambiarlo mientras observas la recuperación. El valor predeterminado es 40. |
Tiempo de ejecución de la consulta |
Considera el siguiente ejemplo que muestra un índice hnsw con los parámetros de ajuste establecidos:
SET LOCAL hnsw.ef_search = 40;
CREATE INDEX my-hnsw-index ON my-table
USING hnsw (vector_column cosine)
WITH (m = 16, ef_construction = 200);
Analiza tus búsquedas
Usa el comando EXPLAIN ANALYZE para analizar tus estadísticas de consultas, como se muestra en el siguiente ejemplo de consulta en SQL.
EXPLAIN ANALYZE SELECT result-column
FROM my-table
ORDER BY EMBEDDING_COLUMN <=> embedding('text-embedding-005', 'What is a database?')::vector
LIMIT 1;
La respuesta de ejemplo QUERY PLAN incluye información como el tiempo que tardó, la cantidad de filas analizadas o devueltas y los recursos utilizados.
Limit (cost=0.42..15.27 rows=1 width=32) (actual time=0.106..0.132 rows=1 loops=1)
-> Index Scan using my-scann-index on my-table (cost=0.42..858027.93 rows=100000 width=32) (actual time=0.105..0.129 rows=1 loops=1)
Order By: (embedding_column <=> embedding('text-embedding-005', 'What is a database?')::vector(768))
Limit value: 1
Planning Time: 0.354 ms
Execution Time: 0.141 ms
Consulta las métricas del índice de vectores
Puedes usar las métricas del índice de vectores para revisar el rendimiento de tu índice de vectores, identificar áreas de mejora y ajustar el índice según las métricas, si es necesario.
Para ver todas las métricas del índice de vectores, ejecuta la siguiente consulta en SQL, que usa la vista pg_stat_ann_indexes:
SELECT * FROM pg_stat_ann_indexes;
Verás un resultado similar al siguiente:
-[ RECORD 1 ]----------+---------------------------------------------------------------------------
relid | 271236
indexrelid | 271242
schemaname | public
relname | t1
indexrelname | t1_ix1
indextype | scann
indexconfig | {num_leaves=100,quantizer=SQ8}
indexsize | 832 kB
indexscan | 0
insertcount | 250
deletecount | 0
updatecount | 0
partitioncount | 100
distribution | {"average": 3.54, "maximum": 37, "minimum": 0, "outliers": [37, 12, 11, 10, 10, 9, 9, 9, 9, 9]}
distributionpercentile |{"10": { "num_vectors": 0, "num_partitions": 0 }, "25": { "num_vectors": 0, "num_partitions": 30 }, "50": { "num_vectors": 3, "num_partitions": 30 }, "75": { "num_vectors": 5, "num_partitions": 19 }, "90": { "num_vectors": 7, "num_partitions": 11 }, "95": { "num_vectors": 9, "num_partitions": 5 }, "99": { "num_vectors": 12, "num_partitions": 4 }, "100": { "num_vectors": 37, "num_partitions": 1 }}
Para obtener más información sobre la lista completa de métricas, consulta Métricas del índice de vectores.
¿Qué sigue?
- Mantén los índices de vectores.
- Obtén información sobre un ejemplo de flujo de trabajo de embedding.