אחסון, יצירת אינדקס ושאילתות של וקטורים
התוסף pgvector PostgreSQL המובנה מותאם ל-AlloyDB, ואנחנו מתייחסים אליו כאל vector.
הוא תומך באחסון של הטמעות שנוצרו בעמודת וקטור. בנוסף, התוסף תומך בתכונת הכימות הסקלרי ליצירת IVF אינדקסים. אפשר גם ליצור IVFFlat מדד או HSNW מדד שזמינים עם מניות pgvector.
מידע נוסף על אחסון וקטורים זמין במאמר אחסון וקטורים.
בנוסף לתוסף vector המותאם אישית, AlloyDB כולל את התוסף alloydb_scann שמטמיע אינדקס יעיל מאוד של השכן הקרוב ביותר שמבוסס על אלגוריתם ScaNN.
מידע נוסף על יצירת אינדקסים ושאילתות של וקטורים זמין במאמר בנושא יצירת אינדקסים ושאילתות של וקטורים.
שיפור הביצועים של שאילתות וקטוריות
אתם יכולים לשנות את ההגדרות של האינדקסים כדי ליצור איזון בין שאילתות לשנייה (QPS) לבין אחזור נתונים בשאילתות. מידע נוסף על שיפור הביצועים של האינדקסים זמין במאמר שיפור הביצועים של שאילתות וקטוריות.
יצירת הטמעות וחיזוי טקסט
AlloyDB AI מרחיב את התחביר של PostgreSQL עם שתי פונקציות לשאילתת מודלים באמצעות התוסף google_ml_integration:
הפעלת חיזויים כדי לקרוא למודל באמצעות SQL בתוך טרנזקציה.
יצירת הטמעות כדי שמודל LLM יתרגם הנחיות טקסט לווקטורים מספריים.
אפשר להשתמש בפונקציה
embedding()כדי לשלוח שאילתות למודלים של Vertex AI, ואילו בפונקציהgoogle_ml.embedding()אפשר להשתמש כדי לשלוח שאילתות למודלים רשומים של Vertex AI, למודלים מתארחים ולמודלים של צד שלישי.אחר כך תוכלו להשתמש בהטמעות הווקטוריות האלה כקלט לפונקציות
pgvector. הן כוללות שיטות להשוואה ולמיון של דוגמאות טקסט לפי המרחק הסמנטי היחסי ביניהן.
שימוש במודלים בענן באמצעות Vertex AI
אפשר להגדיר את AlloyDB Omni כך שיפעל עם Vertex AI.
היתרונות של השימוש ב-API הזה באפליקציות שלכם:
האפליקציות שלכם יכולות להפעיל חיזויים באמצעות כל מודל שמאוחסן ב Vertex AI Model Garden ויש להן גישה אליו.
האפליקציות שלכם יכולות ליצור הטמעות באמצעות מודלים של LLM באנגלית
text-embedding.