O recall mede a eficácia com que uma pesquisa recupera todos os itens relevantes para uma determinada consulta. Por exemplo, imagine que você tenha 100 embeddings, cada um representando uma entidade no seu banco de dados. Você consulta seus embeddings com um vetor de destino e o limita a 10 resultados. Uma pesquisa vetorial KNN encontra os 10 vetores mais próximos exatos usando um método de cálculo de força bruta, o que resulta em 100% de recall. A IA do AlloyDB usa esse método por padrão se nenhum índice de pesquisa vetorial for criado ou escolhido. Ao criar um índice vetorial no AlloyDB para PostgreSQL, ele normalmente usa o ANN, que pode particionar vetores de acordo com a similaridade para facilitar a recuperação mais rápida. Como resultado, usando o ANN, os 10 vetores retornados no exemplo anterior podem não ser exatamente os 10 vetores mais próximos em distância. Se apenas 8 dos 10 vetores recuperados forem os mais próximos no espaço do vetor de consulta, o recall será de 80%.
A latência da consulta define a rapidez com que os resultados da pesquisa são gerados. Por exemplo, a latência é calculada com base no tempo gasto em uma pesquisa para retornar os vetores depois que você envia uma consulta.
Escolher a estratégia de pesquisa
Ao realizar uma pesquisa vetorial no AlloyDB, escolha uma das seguintes estratégias de pesquisa:
| Estratégia de pesquisa | Descrição | Casos de uso |
| Vizinhos k-mais próximos (KNN) | Um algoritmo que encontra os pontos de dados k-mais próximos de um determinado ponto de dados de consulta. Quando você realiza uma pesquisa vetorial sem criar um índice, uma pesquisa KNN é realizada por padrão. |
|
| Vizinhos aproximados mais próximos (ANN) | Um algoritmo que encontra aproximadamente os pontos de dados mais próximos. O ANN divide os pontos de dados do cliente em pequenos grupos com base em semelhanças. |
|
O Google recomenda que você crie um índice vetorial para otimizar o desempenho das consultas de pesquisa vetorial. Para mais informações sobre como o índice ANN é usado para pesquisas de similaridade, consulte Criar índices e consultar vetores usando o ScaNN.