Google uses AI technology to translate content into your preferred language. AI translations can contain errors.

Ajustar a performance da consulta vetorial no AlloyDB para PostgreSQL

Nesta página, descrevemos como ajustar seus índices para alcançar um desempenho de consulta mais rápido e um recall melhor no AlloyDB para PostgreSQL.

Antes de começar

Antes de criar um índice do ScaNN, faça o seguinte:

Crie uma tabela com seus dados.
Para evitar problemas de falta de memória ao criar o índice do ScaNN, verifique se as flags de banco de dados maintenance_work_mem e shared_buffers estão definidas com um valor menor que a memória total da máquina.
Para usar índices de quatro níveis, primeiro ative o recurso Prévia na sua instância do AlloyDB. Para ativar o recurso de prévia, escolha um dos dois métodos a seguir:
- Ative a flag de banco de dados scann.enable_preview_features.
  
  Para mais informações sobre como configurar flags de banco de dados, consulte Configurar flags de banco de dados.
- Defina a flag de banco de dados scann.max_allowed_num_levels no nível da sessão como 3.
```
SET scann.max_allowed_num_levels = 3;
```

Ajustar um índice do ScaNN

Para determinar o número de níveis necessários para seu índice do ScaNN, consulte a tabela a seguir.

Número de linhas de vetor na sua tabela	Número de níveis do seu índice ScaNN
[0..10 milhões]	Dois
[10 milhões..100 milhões]	Escolha uma das seguintes métricas para priorizar: Recordação de pesquisa: duas Tempo de build do índice: três
[100 milhões..1 bilhão]	Escolha uma das seguintes métricas para priorizar: Recall de pesquisa: três Tempo de build do índice: quatro (na prévia)
[1 bilhão..10 bilhões]	Quatro (em pré-lançamento)

Use os seguintes índices do ScaNN como exemplos para ajustar parâmetros de uma tabela com 1 milhão de linhas.

Índice de árvore de dois níveis

SET LOCAL scann.num_leaves_to_search = 1;
SET LOCAL scann.pre_reordering_num_neighbors=50;

CREATE INDEX my_scann_index ON my_table
       USING scann (vector_column cosine)
WITH (num_leaves = [power(1000000, 1/2)]);

Índice de árvore de três níveis

SET LOCAL scann.num_leaves_to_search = 10;
SET LOCAL scann.pre_reordering_num_neighbors=50;

CREATE INDEX my_scann_index ON my_table
       USING scann (vector_column cosine)
WITH (num_leaves = [power(1000000, 2/3)], max_num_levels = 2);

Índice de árvore de quatro níveis

SET LOCAL scann.num_leaves_to_search = 100;
SET LOCAL scann.pre_reordering_num_neighbors=50;

CREATE INDEX my-scann-index ON my-table
       USING scann (vector_column cosine)
WITH (num_leaves = [power(1000000, 3/4)], max_num_levels = 3);

Para mais informações sobre índices do ScaNN, consulte as seguintes páginas:

Processar invalidações de DML devido à aceleração com o mecanismo colunar

Se você escolheu acelerar suas pesquisas de vetor com o mecanismo colunar, saiba que as invalidações de DML e DDL nas tabelas de base podem afetar o desempenho da consulta vetorial. Em caso de alta capacidade de processamento de DML, considere ajustar a flag de banco de dados google_columnar_engine.refresh_threshold_percentage ou atualizar manualmente o índice usando o comando google_columnar_engine_refresh_index.

Analisar suas consultas

Use o comando EXPLAIN ANALYZE para analisar os insights de consulta, conforme mostrado no exemplo de consulta SQL a seguir.

  EXPLAIN ANALYZE SELECT result-column
  FROM my_table
  ORDER BY EMBEDDING_COLUMN <-> embedding('text-embedding-005', 'What is a database?')::vector
  LIMIT 1;

O exemplo de resposta QUERY PLAN inclui informações como o tempo gasto, o número de linhas verificadas ou retornadas e os recursos usados.

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

Visualizar métricas de índice vetorial

Você pode usar métricas de índice de vetor para analisar a performance dele, identificar áreas de melhoria e ajustar o índice com base nas métricas, se necessário. A visualização pg_stat_ann_indexes ajuda a entender o estado da utilização do índice, enquanto a visualização pg_stat_ann_index_creation fornece informações sobre as linhas criadas no momento da criação do índice.

Para conferir as métricas de utilização do índice, execute o seguinte comando:

SELECT * FROM pg_stat_ann_indexes;

Você verá uma saída semelhante a esta:

-[ RECORD 1 ]----------+---------------------------------------------------------------------------
relid                  | 271236
indexrelid             | 271242
schemaname             | public
relname                | t1
indexrelname           | t1_ix1
indextype              | scann
indexconfig            | {num_leaves=100,max_num_levels=1,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 conferir o número de linhas criadas no momento da criação do índice, execute o seguinte comando:

SELECT * FROM pg_stat_ann_index_creation;