A IA do AlloyDB integra o processamento de vetores e a pesquisa de similaridade diretamente no AlloyDB para PostgreSQL, permitindo que você consulte dados relacionais estruturados e dados não estruturados por significado semântico. Ao combinar recursos SQL padrão com a indexação de vizinho mais próximo aproximado (ANN, na sigla em inglês), a AlloyDB AI oferece suporte à pesquisa semântica e aos fluxos de trabalho de geração aumentada de recuperação (RAG, na sigla em inglês) sem que você precise implantar e gerenciar um banco de dados vetorial separado.
Arquitetura principal e desempenho
O AlloyDB usa a extensão pgvector do PostgreSQL para a funcionalidade de vetor. Ele é compatível com o conhecido índice HNSW, bem como com o índice Scalable Nearest Neighbors (ScaNN), um algoritmo de busca vetorial de última geração derivado de anos de pesquisa do Pesquisa Google. Essa integração profunda com o ambiente do PostgreSQL permite operações de alta velocidade compatíveis com pgvector e consultas semânticas avançadas.
Desempenho do índice ScaNN
O índice ScaNN oferece vantagens significativas de velocidade em relação ao índice HNSW (Mundo Pequeno Hierárquico Navegável) padrão do PostgreSQL, fornecendo operações vetoriais rápidas necessárias para cargas de trabalho de IA exigentes:
| Operação | Ganho de desempenho (em comparação com o índice HNSW padrão do PostgreSQL) | Recursos |
|---|---|---|
| Criação de índice | Até 10 vezes mais rápido | Criação de índice paralelo |
| Consultas de pesquisa vetorial | Até 4 vezes mais rápido | Manutenção automática de índices |
| Consultas de pesquisa vetorial filtradas | Até 10 vezes mais rápido | Observabilidade de nível empresarial |
Filtragem adaptativa e otimização de consultas
O índice ScaNN está totalmente integrado ao planejador de consultas do PostgreSQL para garantir o desempenho ideal de consultas híbridas que envolvem similaridade vetorial e filtros de metadados estruturados padrão:
- Filtragem adaptativa:garante o desempenho ideal quando filtros, junções e índices de vetores são usados simultaneamente. Ele funciona observando as estatísticas de execução de consultas no ambiente de execução, aprendendo a seletividade dos filtros e ajustando de forma adaptativa o plano de execução para determinar a ordem mais eficiente de aplicação de filtros e pesquisa vetorial.
- Filtragem inline:específica para o algoritmo ScaNN, a filtragem inline é uma estratégia de otimização que executa a busca vetorial e a avaliação do filtro de metadados em conjunto. Ele usa índices secundários do PostgreSQL (como árvores B, GIN ou GiST) para criar uma lista (bitmap) de linhas que atendem aos critérios de filtro. A verificação de vetor subsequente calcula apenas as distâncias dos vetores contidos nesse conjunto pré-filtrado, reduzindo drasticamente a sobrecarga computacional, especialmente quando os filtros são moderadamente seletivos.
Integração total com a Gemini Enterprise Agent Platform
A IA do AlloyDB foi projetada para integração nativa com o ecossistema da Agent Platform, permitindo a transformação e o enriquecimento de dados diretamente no banco de dados usando SQL.
Geração automatizada de embeddings
A plataforma é compatível com a geração automatizada de embeddings usando a extensão google_ml_integration. Esse recurso permite que dados operacionais (texto, imagens e vídeo) sejam convertidos em embeddings de vetor usando modelos da plataforma de agentes, como text-embedding-005:
- Registro de modelos:os modelos da Agent Platform (incorporação e generativos) são registrados no banco de dados usando o procedimento
google_ml.create_model. - Colunas virtuais:os embeddings podem ser gerados e mantidos automaticamente em uma coluna gerada usando a função
embedding(), garantindo que os dados vetoriais permaneçam sincronizados com os dados da coluna de origem:
ALTER TABLE my_table
ADD COLUMN embedding vector(768)
GENERATED ALWAYS AS (embedding('text-embedding-005', source_column)) STORED;
Consultas e enriquecimento de IA generativa
Com os embeddings de vetor armazenados, os desenvolvedores podem realizar pesquisas semânticas sofisticadas usando o operador de similaridade de vetor (<=>) no SQL padrão. Além disso, os resultados dessas pesquisas podem ser transmitidos diretamente para modelos de IA generativa, como o gemini-3.5-flash-lite, usando funções como ai.generate ou google_ml.predict_row para enriquecimento de consultas com base em RAG e geração de resultados fáceis de usar.