Indexe und Abfragevektoren erstellen

Wählen Sie eine Dokumentationsversion aus: 15.7.0

• Aktuelle Version (16.8.0)
• 16.8.0
• 16.3.0
• 15.12.0
• 15.7.1
• 15.7.0

In diesem Dokument erfahren Sie, wie Sie gespeicherte Einbettungen verwenden, um Indexe zu generieren und Einbettungen abzufragen. Weitere Informationen zum Speichern von Einbettungen finden Sie unter Vektoreinbettungen speichern.

Sie können ScaNN-, IVF-, IVFFlat- und HNSW-Indizes mit AlloyDB erstellen.

Achtung :Die Erweiterung postgres_ann wurde in alloydb_scann umbenannt. Bevor Sie auf AlloyDB Omni aktualisieren, müssen Sie alle mit der älteren Version postgres_ann erstellten Indexe löschen. Führen Sie als Nächstes ein Upgrade von AlloyDB Omni durch und erstellen Sie die Indexe dann noch einmal mit der alloydb_scann-Erweiterung. Das gilt nur für AlloyDB Omni.

Hinweise

Bevor Sie mit dem Erstellen von Indexen beginnen können, müssen Sie die folgenden Voraussetzungen erfüllen.

• Einbettungsvektoren werden einer Tabelle in Ihrer AlloyDB-Datenbank hinzugefügt.

• Die vector-Erweiterungsversion 0.5.0 oder höher, die auf pgvector basiert und von Google für AlloyDB erweitert wurde, ist installiert.

  CREATE EXTENSION IF NOT EXISTS vector;
  

• Wenn Sie ScaNN-Indizes generieren möchten, installieren Sie zusätzlich zur Erweiterung vector die Erweiterung alloydb_scann.

  CREATE EXTENSION IF NOT EXISTS alloydb_scann;
  

Hinweis: Die alloydb_scann-Erweiterung kann mit Datenbanken verwendet werden, die mit PostgreSQL 14 und 15 kompatibel sind.

Index erstellen

Sie können einen der folgenden Indextypen für Tabellen in Ihrer Datenbank erstellen.

Hinweis :Da die Indexnamen für die gesamte Datenbank gelten, sollten Sie für jede Tabelle in Ihrer Datenbank einen eindeutigen Indexnamen erstellen.

ScaNN IVF IVFFlat HNSW

ScaNN-Index erstellen

AlloyDB alloydb_scann, ein

Von Google entwickelte PostgreSQL-Erweiterung, die eine hoch

effizienter Index für die Suche nach dem nächsten Nachbarn, der auf [ScaNN

algorithm](https://github.com/google-research/google-research/blob/master/scann/docs/algorithms.md).

Wichtig :Nachdem Sie den ScaNN-Index erstellt haben, müssen Sie den Befehl ANALYZE ausführen, um Statistiken zu Ihren Daten zu aktualisieren.

Der ScaNN-Index ist ein baumbasierter Quantisierungsindex für die ungefähre

Suche nach dem nächsten Nachbarn. Dadurch wird die Indexerstellung beschleunigt und die

Speicherbedarf im Vergleich zu HNSW. Außerdem bietet sie schnellere QPS in

Vergleich mit HNSW basierend auf der Arbeitslast.

Hinweis :Bevor Sie einen Index erstellen, müssen Sie Einbettungsvektoren hinzufügen.

eine Tabelle in Ihrer AlloyDB-Datenbank. Wenn Sie versuchen, einen ScaNN-Index zu generieren,

auf eine leere oder partitionierte Tabelle anwenden, können Probleme auftreten. Weitere Informationen

Informationen zu den generierten Fehlern finden Sie unter Fehlerbehebung bei ScaNN-Indexfehlern.

ScaNN-Index mit zweistufigem Baum

Einen zweistufigen Baumindex mit dem ScaNN-Algorithmus auf eine Spalte anwenden

Führen Sie die folgende DDL-Abfrage aus, um eine Tabelle mit gespeicherten Vektoreinbettungen zu erstellen:

CREATE INDEX INDEX_NAME ON TABLE

  USING scann (EMBEDDING_COLUMN DISTANCE_FUNCTION)

  WITH (num_leaves=NUM_LEAVES_VALUE);

Ersetzen Sie Folgendes:

• INDEX_NAME: der Name des Index, den Sie

  Erstellen – z. B. my-scann-index. Die Indexnamen werden weitergegeben

  in Ihrer Datenbank. Achten Sie darauf, dass jeder Indexname für jede

  Tabelle in Ihrer Datenbank.

• TABLE: Die Tabelle, der der Index hinzugefügt werden soll.

• EMBEDDING_COLUMN: Eine Spalte, in der vector gespeichert wird.

  transaktionale und relationale Daten.

• DISTANCE_FUNCTION: die zu verwendende Distanzfunktion

  mit diesem Index. Wählen Sie eine der folgenden Optionen aus:

  • L2-Distanz:l2

  • Skalarprodukt: dot_product

  • Kosinus-Distanz:cosine

• NUM_LEAVES_VALUE: Die Anzahl der anzuwendenden Partitionen

  diesem Index. Kann auf einen beliebigen Wert zwischen 1 und 1.048.576 festgelegt werden. Weitere Informationen

  Informationen dazu, wie Sie diesen Wert festlegen, finden Sie unter ScaNN-Index optimieren.

Dreistufiger Baumindex ScaNN

So erstellen Sie einen dreistufigen Baumindex mit dem ScaNN-Algorithmus für eine Spalte:

Führen Sie die folgende DDL-Abfrage aus, um eine Tabelle mit gespeicherten Vektoreinbettungen zu erstellen:

CREATE INDEX INDEX_NAME ON TABLE

  USING scann (EMBEDDING_COLUMN DISTANCE_FUNCTION)

  WITH (num_leaves=NUM_LEAVES_VALUE, max_num_levels = MAX_NUM_LEVELS);

Ersetzen Sie Folgendes:

• MAX_NUM_LEVELS: die maximale Anzahl von Ebenen des

  K-Means-Clustering-Baum. Auf 1(Standard) für zweistufige baumbasierte

  Quantisierung und 2 für die baumbasierte Quantisierung mit drei Ebenen.

Wichtig :Damit die Abfrageleistung nach dem Erstellen des ScaNN-Index optimal ist, führen Sie den Befehl ANALYZE aus, um die Statistiken zu Ihren Daten zu aktualisieren.

Nachdem Sie den Index erstellt haben, können Sie Abfragen für die Suche nach nächsten Nachbarn ausführen, die

Verwenden Sie den Index, indem Sie der Anleitung unter [Make a nearest-neighbor

mit dem angegebenen Text abfragen](#query).

Die Indexparameter müssen so festgelegt werden, dass ein ausgewogenes Verhältnis zwischen QPS und

Recall Weitere Informationen zum Optimieren des ScaNN-Index finden Sie unter [ScaNN-Index optimieren].

index](/alloydb/omni/containers/15.7.0/docs/ai/tune-indexes).

So erstellen Sie diesen Index für eine Einbettungsspalte, die den Datentyp real[] verwendet:

Wandeln Sie die Spalte anstelle von vector in den Datentyp vector um:

CREATE INDEX INDEX_NAME ON TABLE

  USING scann (CAST(EMBEDDING_COLUMN AS vector(DIMENSIONS)) DISTANCE_FUNCTION)

  WITH (num_leaves=NUM_LEAVES_VALUE, max_num_levels = MAX_NUM_LEVELS);

Ersetzen Sie DIMENSIONS durch die dimensionale Breite des

Einbettungsspalte. Weitere Informationen zum Ermitteln der Dimensionen

Weitere Informationen finden Sie unter der Funktion vector_dims in [Vector

functions](https://github.com/pgvector/pgvector?tab=readme-ov-file#vector-functions).

So rufen Sie den Indexierungsfortschritt auf:pg_stat_progress_create_index

SELECT * FROM pg_stat_progress_create_index;

In der Spalte phase sehen Sie den aktuellen Status der Indexerstellung.

Die building index: tree training-Phase wird ausgeblendet, nachdem der Index erstellt wurde.

Informationen zum Optimieren des Index für ein bestimmtes Gleichgewicht zwischen Recall und QPS finden Sie unter ScaNN-Index optimieren.

Indexierte Tabelle analysieren

Nachdem Sie den ScaNN-Index erstellt haben, führen Sie den Befehl ANALYZE aus, um Statistiken zu Ihren Daten zu aktualisieren.

ANALYZE TABLE;

Abfrage ausführen

Nachdem Sie die Einbettungen in Ihrer Datenbank gespeichert und indexiert haben, können Sie

Abfragen mit der [pgvector-Abfrage

functionality](https://github.com/pgvector/pgvector#querying). Sie können nicht laufen

Suchen Sie mit der alloydb_scann-Erweiterung nach mehreren Begriffen gleichzeitig.

Wenn Sie die semantisch nächsten Nachbarn für einen Einbettungsvektor ermitteln möchten, können Sie die

Im folgenden Beispiel wird dieselbe Distanzfunktion festgelegt, die Sie

während der Indexerstellung.

  SELECT * FROM TABLE

    ORDER BY EMBEDDING_COLUMN DISTANCE_FUNCTION_QUERY ['EMBEDDING']

    LIMIT ROW_COUNT

Ersetzen Sie Folgendes:

• TABLE: die Tabelle mit dem Embedding, mit dem verglichen werden soll

  SMS senden.

• INDEX_NAME: Der Name des Index, den Sie verwenden möchten.

  Beispiel: my-scann-index

• EMBEDDING_COLUMN: die Spalte mit den gespeicherten

  Einbettungen.

• DISTANCE_FUNCTION_QUERY: Die Distanzfunktion, die dafür verwendet werden soll.

  query verwendet werden kann. Wählen Sie je nach verwendeter Distanzfunktion eine der folgenden Optionen aus:

  Beim Erstellen des Index:

  • L2-Distanz:<->

  • Skalarprodukt:<#>

  • Kosinus-Distanz:<=>

• EMBEDDING: Der Einbettungsvektor, für den Sie den nächsten gespeicherten

  semantische Nachbarn von.

• ROW_COUNT: Die Anzahl der zurückzugebenden Zeilen.

  Geben Sie 1 an, wenn Sie nur das beste Ergebnis erhalten möchten.

Weitere Beispiele für Abfragen finden Sie unter

Suchanfragen

Sie können auch die Funktion embedding() verwenden, um

Text in einen Vektor. Sie wenden den Vektor auf eine der folgenden

pgvector-Nearest-Neighbor-Operator, <-> für die L2-Distanz, um die Datenbankzeilen mit den

die semantisch ähnlichsten Einbettungen.

Da embedding() ein real-Array zurückgibt, müssen Sie das

embedding()-Aufruf an vector, um diese Werte mit pgvector zu verwenden

Operatoren.

  CREATE EXTENSION IF NOT EXISTS google_ml_integration;

  CREATE EXTENSION IF NOT EXISTS vector;



  SELECT * FROM TABLE

    ORDER BY EMBEDDING_COLUMN::vector

    <-> embedding('MODEL_IDVERSION_TAG', 'TEXT')

    LIMIT ROW_COUNT

Ersetzen Sie Folgendes:

• MODEL_ID: Die ID des Modells, das abgefragt werden soll.

  Wenn Sie den Vertex AI Model Garden verwenden, geben Sie text-embedding-005 als Modell-ID an. Dies sind die cloudbasierten Modelle, die AlloyDB für Texteinbettungen verwenden kann. Weitere Informationen finden Sie unter Texteinbettungen.

• Optional: VERSION_TAG: das Versionstag des abzufragenden Modells. Stellen Sie dem Tag @ voran.

  Wenn Sie eines der text-embedding-Modelle in englischer Sprache mit Vertex AI verwenden, geben Sie eines der Versionstags an, z. B. text-embedding-005, das in Modellversionen aufgeführt ist.

  Google empfiehlt dringend, immer das Versionstag anzugeben. Wenn Sie das Versionstag nicht angeben, verwendet AlloyDB immer die neueste Modellversion, was zu unerwarteten Ergebnissen führen kann.

• TEXT: Der Text, der in eine Vektoreinbettung übersetzt werden soll.

Nächste Schritte

• Beispiel für einen Einbettungsworkflow
• Leistung von Vektorabfragen optimieren
• Messwerte für Vektorindexe