AlloyDB AI הוא תוסף מתקדם של AlloyDB ל-PostgreSQL, שנועד לשלב עיבוד וקטורי עם ביצועים גבוהים ישירות במסד הנתונים הרלציוני ברמת הארגון. הוא מאפשר למפתחים ליצור אפליקציות מתוחכמות וחכמות שמבינות את המשמעות הסמנטית של נתונים בפורמטים מובנים ולא מובנים. AlloyDB AI משלב בין יכולות SQL לבין טכנולוגיית חיפוש וקטורים מתקדמת, ומספק פלטפורמה יחידה שמוכנה ל-AI לניהול נתונים ולתהליכי עבודה של יצירה משופרת באמצעות אחזור (RAG). כך אין צורך לפרוס ולנהל מסד נתונים וקטורי נפרד.
ארכיטקטורה וביצועים מרכזיים
AlloyDB משתמש בתוסף pgvector של PostgreSQL כדי לספק פונקציונליות של וקטורים. הוא תומך באינדקס HNSW הפופולרי, וגם באינדקס Scalable Nearest Neighbors (ScaNN), אלגוריתם מתקדם לחיפוש וקטורים שמבוסס על מחקר של שנים בחיפוש Google. השילוב העמוק הזה בסביבת PostgreSQL מאפשר פעולות מהירות ותואמות ל-pgvector ושאילתות סמנטיות מתקדמות.
ביצועים של אינדקסים של ScaNN
אינדקס ScaNN מציע יתרונות משמעותיים במהירות בהשוואה לאינדקס HNSW (Hierarchical Navigable Small Worlds) הרגיל של PostgreSQL, ומספק פעולות וקטוריות מהירות שנדרשות לעומסי עבודה כבדים של AI:
| פעולה | שיפור הביצועים (לעומת אינדקס HNSW רגיל של PostgreSQL) | תכונות |
|---|---|---|
| יצירת אינדקס | עד פי 10 מהר יותר | יצירת אינדקס מקביל |
| שאילתות חיפוש וקטורי | עד פי 4 מהר יותר | תחזוקה אוטומטית של אינדקסים |
| שאילתות חיפוש וקטורי מסוננות | עד פי 10 מהר יותר | יכולת תצפית ברמה שמתאימה לארגונים |
סינון אדפטיבי ואופטימיזציה של שאילתות
אינדקס ScaNN משולב באופן עמוק עם הכלי לתכנון שאילתות של PostgreSQL כדי להבטיח ביצועים אופטימליים לשאילתות היברידיות שכוללות גם דמיון וקטורי וגם מסננים סטנדרטיים של מטא-נתונים מובְנים.
- סינון אדפטיבי: מנגנון הסינון האדפטיבי מבטיח ביצועים אופטימליים כשמשתמשים בו-זמנית במסננים, בצירופים ובאינדקסים וקטוריים. הוא פועל על ידי מעקב אחר נתונים סטטיסטיים של ביצוע שאילתות בזמן ריצה, לומד את הסלקטיביות של המסננים ומשנה את תוכנית הביצוע באופן דינמי כדי לקבוע את הסדר היעיל ביותר של החלת המסננים וחיפוש הווקטורים.
- סינון מוטבע: סינון מוטבע הוא אסטרטגיית אופטימיזציה שספציפית לאלגוריתם ScaNN, ומבצעת חיפוש וקטורי והערכה של מסנן מטא נתונים במקביל. הוא משתמש באינדקסים משניים של PostgreSQL (כמו B-trees, GIN או GiST) כדי ליצור רשימה קצרה (מפת סיביות) של שורות שעומדות בקריטריונים של המסנן. בסריקת הווקטורים הבאה, המערכת מחשבת רק את המרחקים של הווקטורים שנכללים בקבוצה המסוננת מראש, וכך מצמצמת באופן משמעותי את התקורה החישובית, במיוחד כשמדובר במסננים סלקטיביים במידה בינונית.
שילוב חלק עם Gemini Enterprise Agent Platform
AlloyDB AI מתוכנן לשילוב מובנה עם האקוסיסטם של Agent Platform, ומאפשר לבצע טרנספורמציה של נתונים ולהעשיר אותם ישירות במסד הנתונים באמצעות SQL.
יצירת הטמעה אוטומטית
הפלטפורמה תומכת ביצירת הטמעה אוטומטית באמצעות התוסף google_ml_integration. היכולת הזו מאפשרת להמיר נתונים תפעוליים (טקסט, תמונות וסרטונים) להטמעות וקטוריות באמצעות מודלים של Agent Platform, כמו text-embedding-005.
- רישום מודלים: מודלים של Agent Platform (מודלים של הטמעה וגנרטיביים) רשומים במסד הנתונים באמצעות הפרוצדורה
google_ml.create_model. - עמודות וירטואליות: אפשר ליצור הטמעה באופן אוטומטי ולשמור אותה בעמודה שנוצרה באמצעות הפונקציה
embedding(), כדי להבטיח שהנתונים הווקטוריים יישארו מסונכרנים עם נתוני עמודת המקור:
ALTER TABLE my_table
ADD COLUMN embedding vector(768)
GENERATED ALWAYS AS (embedding('text-embedding-005', source_column)) STORED;
שאילתות והעשרה באמצעות AI גנרטיבי
אחרי שמירת ההטמעות הווקטוריות, מפתחים יכולים לבצע חיפושים סמנטיים מתוחכמים באמצעות אופרטור הדמיון הווקטורי (<=>) ב-SQL סטנדרטי. בנוסף, אפשר להעביר את תוצאות החיפושים האלה ישירות למודלים של AI גנרטיבי, כמו gemini-2.0-flash-001, באמצעות פונקציות כמו google_ml.generate_content להעשרת שאילתות שמבוססת על RAG ויצירת פלט ידידותי למשתמש.