Questa pagina documenta la versione 18.1.0 di AlloyDB Omni utilizzando l'opzione di deployment container. Scegli un'altra opzione di deployment.

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

Esegui la ricerca vettoriale in AlloyDB Omni

Seleziona una versione della documentazione:

Questo tutorial descrive come configurare ed eseguire una ricerca vettoriale in AlloyDB Omni utilizzando la console Google Cloud . Gli esempi sono inclusi per mostrare le funzionalità di ricerca vettoriale e sono destinati solo a scopi dimostrativi.

Per informazioni su come utilizzare la ricerca vettoriale filtrata per perfezionare le ricerche di somiglianza, consulta la sezione Ricerca vettoriale filtrata in AlloyDB Omni.

Per scoprire come eseguire una ricerca vettoriale con gli embedding di Vertex AI, consulta Iniziare a utilizzare il vector embedding con l'AI di AlloyDB Omni.

Obiettivi

Crea un cluster AlloyDB Omni e un'istanza principale.
Connettiti al tuo database e installa le estensioni richieste.
Crea una tabella product e product inventory.
Inserisci i dati nelle tabelle product e product inventory ed esegui una ricerca vettoriale di base.
Crea un indice ScaNN nella tabella dei prodotti.
Esegui una ricerca vettoriale di base.
Esegui una ricerca vettoriale complessa con un filtro e un'unione.

Costi

In questo documento vengono utilizzati i seguenti componenti fatturabili di Google Cloud:

API Agent Platform

Per generare una stima dei costi in base all'utilizzo previsto, utilizza il calcolatore prezzi.

I nuovi utenti di Google Cloud potrebbero essere idonei a usufruire di una prova senza costi.

Al termine delle attività descritte in questo documento, puoi evitare l'addebito di ulteriori costi eliminando le risorse che hai creato. Per ulteriori informazioni, consulta la sezione Pulizia.

Prerequisiti

Completa i seguenti prerequisiti prima di eseguire una ricerca vettoriale:

Installare AlloyDB AI in AlloyDB Omni
Esegui e connettiti ad AlloyDB Omni come utente postgres.

Installa le estensioni vector, alloydb_scann e google_ml_integration.

CREATE EXTENSION IF NOT EXISTS vector;
CREATE EXTENSION IF NOT EXISTS alloydb_scann;
CREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE;

Inserisci i dati di prodotto e di inventario dei prodotti ed esegui una ricerca vettoriale di base

Esegui questa istruzione per creare una tabella product che:
- Memorizza le informazioni di base sul prodotto.
- Include una colonna vettoriale embedding che calcola e memorizza un vettore di incorporamento per la descrizione di ogni prodotto.
Nota :se una tabella contiene più di 100.000 righe, non è consigliabile utilizzare la funzione embedding() per generare incorporamenti archiviati sui dati esistenti in una tabella. È più adatta alla generazione di incorporamenti in linea.
```
  CREATE TABLE product (
    id INT PRIMARY KEY,
    name VARCHAR(255) NOT NULL,
    description TEXT,
    category VARCHAR(255),
    color VARCHAR(255),
    embedding vector(768) GENERATED ALWAYS AS (embedding('text-embedding-005', description)) STORED
  );
```
Se necessario, puoi visualizzare i log e risolvere gli errori.
Esegui la seguente query per creare una tabella product_inventory che memorizzi le informazioni sull'inventario disponibile e sui prezzi corrispondenti. Le tabelle product_inventory e product vengono utilizzate in questo tutorial per eseguire query di ricerca vettoriale complesse.
```
CREATE TABLE product_inventory (
  id INT PRIMARY KEY,
  product_id INT REFERENCES product(id),
  inventory INT,
  price DECIMAL(10,2)
);
```

Esegui la seguente query per inserire i dati di prodotto nella tabella product:

INSERT INTO product (id, name, description,category, color) VALUES
(1, 'Stuffed Elephant', 'Soft plush elephant with floppy ears.', 'Plush Toys', 'Gray'),
(2, 'Remote Control Airplane', 'Easy-to-fly remote control airplane.', 'Vehicles', 'Red'),
(3, 'Wooden Train Set', 'Classic wooden train set with tracks and trains.', 'Vehicles', 'Multicolor'),
(4, 'Kids Tool Set', 'Toy tool set with realistic tools.', 'Pretend Play', 'Multicolor'),
(5, 'Play Food Set', 'Set of realistic play food items.', 'Pretend Play', 'Multicolor'),
(6, 'Magnetic Tiles', 'Set of colorful magnetic tiles for building.', 'Construction Toys', 'Multicolor'),
(7, 'Kids Microscope', 'Microscope for kids with different magnification levels.', 'Educational Toys', 'White'),
(8, 'Telescope for Kids', 'Telescope designed for kids to explore the night sky.', 'Educational Toys', 'Blue'),
(9, 'Coding Robot', 'Robot that teaches kids basic coding concepts.', 'Educational Toys', 'White'),
(10, 'Kids Camera', 'Durable camera for kids to take pictures and videos.', 'Electronics', 'Pink'),
(11, 'Walkie Talkies', 'Set of walkie talkies for kids to communicate.', 'Electronics', 'Blue'),
(12, 'Karaoke Machine', 'Karaoke machine with built-in microphone and speaker.', 'Electronics', 'Black'),
(13, 'Kids Drum Set', 'Drum set designed for kids with adjustable height.', 'Musical Instruments', 'Blue'),
(14, 'Kids Guitar', 'Acoustic guitar for kids with nylon strings.', 'Musical Instruments', 'Brown'),
(15, 'Kids Keyboard', 'Electronic keyboard with different instrument sounds.', 'Musical Instruments', 'Black'),
(16, 'Art Easel', 'Double-sided art easel with chalkboard and whiteboard.', 'Arts & Crafts', 'White'),
(17, 'Finger Paints', 'Set of non-toxic finger paints for kids.', 'Arts & Crafts', 'Multicolor'),
(18, 'Modeling Clay', 'Set of colorful modeling clay.', 'Arts & Crafts', 'Multicolor'),
(19, 'Watercolor Paint Set', 'Watercolor paint set with brushes and palette.', 'Arts & Crafts', 'Multicolor'),
(20, 'Beading Kit', 'Kit for making bracelets and necklaces with beads.', 'Arts & Crafts', 'Multicolor'),
(21, '3D Puzzle', '3D puzzle of a famous landmark.', 'Puzzles', 'Multicolor'),
(22, 'Race Car Track Set', 'Race car track set with cars and accessories.', 'Vehicles', 'Multicolor'),
(23, 'RC Monster Truck', 'Remote control monster truck with oversized tires.', 'Vehicles', 'Green'),
(24, 'Train Track Expansion Set', 'Expansion set for wooden train tracks.', 'Vehicles', 'Multicolor');

(Facoltativo) Esegui la seguente query per verificare che i dati siano inseriti nella tabella product:
```
SELECT * FROM product;
```

Esegui la seguente query per inserire i dati di inventario nella tabella product_inventory:

INSERT INTO product_inventory (id, product_id, inventory, price) VALUES
(1, 1, 9, 13.09),
(2, 2, 40, 79.82),
(3, 3, 34, 52.49),
(4, 4, 9, 12.03),
(5, 5, 36, 71.29),
(6, 6, 10, 51.49),
(7, 7, 7, 37.35),
(8, 8, 6, 10.87),
(9, 9, 7, 42.47),
(10, 10, 3, 24.35),
(11, 11, 4, 10.20),
(12, 12, 47, 74.57),
(13, 13, 5, 28.54),
(14, 14, 11, 25.58),
(15, 15, 21, 69.84),
(16, 16, 6, 47.73),
(17, 17, 26, 81.00),
(18, 18, 11, 91.60),
(19, 19, 8, 78.53),
(20, 20, 43, 84.33),
(21, 21, 46, 90.01),
(22, 22, 6, 49.82),
(23, 23, 37, 50.20),
(24, 24, 27, 99.27);

Esegui la seguente query di ricerca vettoriale che tenta di trovare prodotti simili alla parola music. Ciò significa che, anche se la parola music non è menzionata esplicitamente nella descrizione del prodotto, il risultato mostra prodotti pertinenti alla query:
```
SELECT * FROM product
ORDER BY embedding <=> embedding('text-embedding-005', 'music')::vector
LIMIT 3;
```
Il risultato della query è il seguente:

L'esecuzione di una ricerca vettoriale di base senza creare un indice utilizza la ricerca esatta del vicino più prossimo (KNN), che fornisce un richiamo efficiente. Su larga scala, l'utilizzo di KNN potrebbe influire sulle prestazioni. Per prestazioni migliori delle query, ti consigliamo di utilizzare l'indice ScaNN per la ricerca del vicino più prossimo approssimato (ANN), che fornisce un richiamo elevato con latenze basse.

Senza creare un indice, AlloyDB Omni utilizza per impostazione predefinita la ricerca esatta del vicino più prossimo (KNN).

Per scoprire di più sull'utilizzo di ScaNN su larga scala, consulta Iniziare a utilizzare il vector embedding con l'AI di AlloyDB.

Crea un indice ScaNN ottimizzato manualmente nella tabella dei prodotti

Esegui la seguente query per creare un indice ScaNN product_index nella tabella product:

CREATE INDEX product_index ON product
USING scann (embedding cosine)
WITH (mode='MANUAL', num_leaves=4);

Per ulteriori informazioni sulla creazione di un indice ScaNN, vedi Creare un indice ScaNN.

Esegui una ricerca vettoriale

Esegui la seguente query di ricerca vettoriale che tenta di trovare prodotti simili alla query in linguaggio naturale music. Anche se la parola music non è inclusa nella descrizione del prodotto, il risultato mostra prodotti pertinenti alla query:

SET LOCAL scann.num_leaves_to_search = 2;

SELECT * FROM product
ORDER BY embedding <=> embedding('text-embedding-005', 'music')::vector
  LIMIT 3;

I risultati della query sono i seguenti:

Il parametro di query scann.num_leaves_to_search controlla il numero di nodi foglia in cui viene eseguita una ricerca di somiglianze. I valori dei parametri num_leaves e scann.num_leaves_to_search contribuiscono a raggiungere un equilibrio tra rendimento e richiamo.

Esegui una ricerca vettoriale che utilizza un filtro e un'unione

Puoi eseguire query di ricerca vettoriale filtrate in modo efficiente anche quando utilizzi l'indice ScaNN. Esegui la seguente query di ricerca vettoriale complessa, che restituisce risultati pertinenti che soddisfano le condizioni della query, anche con i filtri:

SET LOCAL scann.num_leaves_to_search = 2;

SELECT * FROM product p
JOIN product_inventory pi ON p.id = pi.product_id
WHERE pi.price < 80.00
ORDER BY embedding <=> embedding('text-embedding-005', 'music')::vector
LIMIT 3;

Accelerare la ricerca vettoriale filtrata

Puoi utilizzare l'archivio dei contenuti del motore colonnare per migliorare le prestazioni delle ricerche di similarità vettoriale, in particolare delle ricerche K-Nearest Neighbor (KNN), se combinato con il filtro dei predicati altamente selettivo, ad esempio utilizzando LIKE nei database. In questa sezione utilizzerai l'estensione vector e l'estensione AlloyDB Omni google_columnar_engine. Per ulteriori informazioni sul funzionamento del motore colonnare, consulta la panoramica del motore colonnare.

I miglioramenti delle prestazioni derivano dall'efficienza integrata del motore colonnare nell'analisi di set di dati di grandi dimensioni e nell'applicazione di filtri, come i predicati LIKE, unita alla sua capacità, grazie al supporto dei vettori, di prefiltrare le righe. Questa funzionalità riduce il numero di sottoinsiemi di dati necessari per i successivi calcoli della distanza vettoriale KNN e contribuisce a ottimizzare le query analitiche complesse che coinvolgono il filtro standard e la ricerca vettoriale.

Lo spazio di archiviazione colonnare offre due opzioni per gestire i suoi contenuti:

Gestisci automaticamente i contenuti dello column store: le nuove istanze AlloyDB Omni utilizzano la columnarizzazione automatica per impostazione predefinita. In alternativa, puoi eseguire manualmente la funzionalità di columnarizzazione automatica.
Gestisci manualmente i contenuti del column store: se devi gestire manualmente le colonne nel column store per il tuo carico di lavoro, puoi disattivare la columnarizzazione automatica.

Per confrontare il tempo di esecuzione di una ricerca vettoriale KNN filtrata da un predicato LIKE prima e dopo l'attivazione del motore colonnare, segui questi passaggi:

Attiva l'estensione vector per supportare i tipi di dati vettoriali e le operazioni. Esegui le seguenti istruzioni per creare una tabella di esempio (items) con un ID, una descrizione testuale e una colonna di incorporamento vettoriale a 512 dimensioni.
```
CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE items (
    id SERIAL PRIMARY KEY,
    description TEXT,
    embedding VECTOR(512)
);
```

Compila i dati eseguendo le seguenti istruzioni per inserire 1 milione di righe nella tabella di esempio items.

-- Simplified example of inserting matching (~0.1%) and non-matching data
INSERT INTO items (description, embedding)
SELECT
    CASE WHEN g % 1000 = 0 THEN 'product_' || md5(random()::text) || '_common' -- ~0.1% match
    ELSE 'generic_item_' || g || '_' || md5(random()::text)    -- ~99.9% don't match
    END,
    (SELECT array_agg(random()) FROM generate_series(1, 512))::vector
FROM generate_series(1, 999999) g;

Misura il rendimento di base della ricerca di similarità vettoriale senza il motore colonnare.

SELECT id, description, embedding <-> '[...]' AS distance
FROM items
WHERE description LIKE '%product_%_common%'
ORDER BY embedding <-> '[...]'
LIMIT 100;

Abilita il motore colonnare e il supporto vettoriale.
1. Attiva i flag di database google_columnar_engine.enabled e google_columnar_engine.enable_vector_support.
```
ALTER SYSTEM SET google_columnar_engine.enabled = 'on';
ALTER SYSTEM SET google_columnar_engine.enable_vector_support = 'on';
```
2. Riavvia AlloyDB Omni
  Docker
  
  docker restart CONTAINER_NAME
  Docker
  
  docker restart CONTAINER_NAME
  Podman
  
  podman restart CONTAINER_NAME
  Podman
  
  podman restart CONTAINER_NAME
  Sostituisci CONTAINER_NAME con il nome del container che hai creato in Installare AlloyDB Omni nei container.

Aggiungi la tabella items al motore colonnare:

SELECT google_columnar_engine_add('items');

Misura le prestazioni della ricerca di similarità vettoriale utilizzando il motore colonnare. Esegui di nuovo la query che hai eseguito in precedenza per misurare le prestazioni di base.
```
SELECT id, description, embedding <-> '[...]' AS distance
FROM items
WHERE description LIKE '%product_%_common%'
ORDER BY embedding <-> '[...]'
LIMIT 100;
```

Per verificare se la query è stata eseguita con il motore colonnare, esegui questo comando:

explain (analyze) SELECT id, description, embedding <-> '[...]' AS distance
FROM items
WHERE description LIKE '%product_%_common%'
ORDER BY embedding <-> '[...]'
LIMIT 100;

Esegui la pulizia

Per disinstallare AlloyDB Omni, consulta Gestisci e monitora AlloyDB Omni.

Passaggi successivi

Scopri come creare applicazioni di AI generativa utilizzando AlloyDB AI.
Crea un indice ScaNN.