Realizar pesquisa vetorial no AlloyDB Omni

Selecione uma versão da documentação: 18.1.1

• Atual (18.1.1)
• 18.1.1
• 18.1.0

Neste tutorial, descrevemos como configurar e realizar uma pesquisa vetorial no AlloyDB Omni usando o Google Cloud console. Os exemplos são incluídos para mostrar os recursos de pesquisa vetorial e são destinados apenas a fins de demonstração.

Para informações sobre como usar a pesquisa vetorial filtrada para refinar suas pesquisas de similaridade, consulte Pesquisa vetorial filtrada no AlloyDB Omni.

Para saber como realizar uma pesquisa vetorial com embeddings da Vertex AI, consulte Introdução às embedding de vetor com a IA do AlloyDB Omni.

Objetivos

• Criar um cluster e uma instância principal do AlloyDB Omni.
• Conectar-se ao banco de dados e instalar as extensões necessárias.
• Criar uma tabela product e product inventory.
• Inserir dados nas tabelas product e product inventory e realizar uma pesquisa vetorial básica.
• Criar um índice ScaNN na tabela de produtos.
• Realizar uma pesquisa vetorial básica.
• Realizar uma pesquisa vetorial complexa com um filtro e uma mesclagem.

Custos

Neste documento, você usará os seguintes componentes faturáveis do Google Cloud:

• API Agent Platform

Para gerar uma estimativa de custo baseada na projeção de uso deste tutorial, use a calculadora de preços.

Novos Google Cloud usuários do podem estar qualificados para um teste sem custo financeiro.

Ao concluir as tarefas descritas neste documento, é possível evitar o faturamento contínuo excluindo os recursos criados. Para mais informações, consulte Limpeza.

Pré-requisitos

Conclua os seguintes pré-requisitos antes de realizar uma pesquisa vetorial:

• Instalar a IA do AlloyDB no AlloyDB Omni
• Executar e conectar-se ao AlloyDB Omni como o usuário postgres.

• Instalar as extensões 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;

Inserir dados de produtos e inventário de produtos e realizar uma pesquisa vetorial básica

1. Execute a instrução a seguir para criar uma tabela product que faça o seguinte:

   • Armazena informações básicas do produto.
   • Inclui uma coluna de vetor embedding que calcula e armazena um vetor de embedding para uma descrição de produto de cada produto.
   Observação: se você tiver mais de 100 mil linhas em uma tabela, não recomendamos usar a função embedding() para gerar embeddings armazenados em dados atuais em uma tabela. Ela é mais adequada para a geração de embeddings inline.

     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 necessário, você pode visualizar os registros e solucionar erros.

2. Execute a consulta a seguir para criar uma tabela product_inventory que armazene informações sobre o inventário disponível e os preços correspondentes. As tabelas product_inventory e product são usadas neste tutorial para executar consultas de pesquisa vetorial complexas.

   CREATE TABLE product_inventory (
     id INT PRIMARY KEY,
     product_id INT REFERENCES product(id),
     inventory INT,
     price DECIMAL(10,2)
   );
   

3. Execute a consulta a seguir para inserir dados de produtos na tabela 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');
   

4. Opcional: execute a consulta a seguir para verificar se os dados foram inseridos na tabela product:

   SELECT * FROM product;
   

5. Execute a consulta a seguir para inserir dados de inventário na tabela 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);
   

6. Execute a seguinte consulta de pesquisa vetorial que tenta encontrar produtos semelhantes à palavra music. Isso significa que, mesmo que a palavra music não seja mencionada explicitamente na descrição do produto, o resultado mostra produtos relevantes para a consulta:

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

   O resultado da consulta é o seguinte:

   A realização de uma pesquisa vetorial básica sem criar um índice usa a pesquisa de vizinho mais próximo exato (KNN), que fornece recall eficiente. Em escala, o uso de KNN pode afetar a performance. Para uma melhor performance de consulta, recomendamos que você use o índice ScaNN para pesquisa de vizinho mais próximo aproximado (ANN), que fornece recall alto com latências baixas.

   Sem criar um índice, o AlloyDB Omni usa a pesquisa de vizinho mais próximo exato (KNN) por padrão.

   Para saber mais sobre como usar o ScaNN em escala, consulte Introdução às embedding de vetor com a IA do AlloyDB.

Criar um índice ScaNN ajustado manualmente na tabela de produtos

Importante: os exemplos neste tutorial são apenas para fins de demonstração. Recomendamos que você crie índices ScaNN apenas em tabelas maiores que 10 mil.

Execute a consulta a seguir para criar um índice ScaNN product_index na product tabela:

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

Para mais informações sobre como criar um índice ScaNN, consulte Criar um índice ScaNN.

Realizar uma pesquisa vetorial

Execute a seguinte consulta de pesquisa vetorial que tenta encontrar produtos semelhantes à consulta de linguagem natural music. Mesmo que a palavra music não esteja incluída na descrição do produto, o resultado mostra produtos relevantes para a consulta:

SET LOCAL scann.num_leaves_to_search = 2;

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

Os resultados da consulta são os seguintes:

O parâmetro de consulta scann.num_leaves_to_search controla o número de nós folha pesquisados durante uma pesquisa de similaridade. Os valores de parâmetro num_leaves e scann.num_leaves_to_search ajudam a alcançar um equilíbrio de performance e recall.

Realizar uma pesquisa vetorial que usa um filtro e uma mesclagem

É possível executar consultas de pesquisa vetorial filtrada com eficiência, mesmo ao usar o índice ScaNN. Execute a seguinte consulta de pesquisa vetorial complexa, que retorna resultados relevantes que atendem às condições da consulta, mesmo com filtros:

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;

Acelerar a pesquisa vetorial filtrada

Você pode usar o repositório de conteúdo do mecanismo colunar para melhorar o desempenho de pesquisas de similaridade vetorial, especificamente pesquisas de vizinho mais próximo (KNN), quando combinadas com a filtragem de predicado altamente seletiva, por exemplo, usando LIKE, em bancos de dados. Nesta seção, você usa a extensão vector e a extensão google_columnar_engine do AlloyDB Omni. Para mais informações sobre como o mecanismo colunar funciona, consulte Visão geral do mecanismo colunar.

As melhorias de performance vêm da eficiência integrada do mecanismo colunar na verificação de grandes conjuntos de dados e na aplicação de filtros, como predicados LIKE, combinada com a capacidade, usando o suporte a vetores, de pré-filtrar linhas. Essa funcionalidade reduz o número de subconjuntos de dados necessários para cálculos de distância vetorial KNN subsequentes e ajuda a otimizar consultas analíticas complexas que envolvem filtragem padrão e pesquisa vetorial.

O armazenamento colunar oferece duas opções para gerenciar o conteúdo:

• Gerenciar automaticamente o conteúdo do armazenamento de colunas: novas instâncias do AlloyDB Omni usam a columnarização automática por padrão. Como alternativa, você pode executar manualmente a funcionalidade de columnarização automática.
• Gerenciar manualmente o conteúdo do armazenamento de colunas: se você precisar gerenciar manualmente as colunas no armazenamento de colunas para sua carga de trabalho, poderá desativar a columnarização automática.

Para comparar o tempo de execução de uma pesquisa vetorial KNN filtrada por um predicado LIKE antes e depois de ativar o mecanismo colunar, siga estas etapas:

1. Ative a extensão vector para oferecer suporte a tipos e operações de dados vetoriais. Execute as instruções a seguir para criar uma tabela de exemplo (itens) com um ID, uma descrição de texto e uma coluna de embedding de vetor de 512 dimensões.

   CREATE EXTENSION IF NOT EXISTS vector;
   
   CREATE TABLE items (
       id SERIAL PRIMARY KEY,
       description TEXT,
       embedding VECTOR(512)
   );

2. Preencha os dados executando as instruções a seguir para inserir 1 milhão linhas na tabela de exemplo 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;

3. Meça a performance de referência da pesquisa de similaridade vetorial sem o mecanismo colunar.

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

4. Ative o mecanismo colunar e o suporte a vetores.

   1. Ative as google_columnar_engine.enabled e google_columnar_engine.enable_vector_support flags de banco de dados.

      ALTER SYSTEM SET google_columnar_engine.enabled = 'on';
      ALTER SYSTEM SET google_columnar_engine.enable_vector_support = 'on';

   2. Reinicie o AlloyDB Omni

      systemctl restart alloydbomni18

5. Adicione a tabela items ao mecanismo colunar:

   SELECT google_columnar_engine_add('items');

6. Meça a performance da pesquisa de similaridade vetorial usando o mecanismo colunar. Execute novamente a consulta que você executou anteriormente para medir a performance de referência.

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

7. Para verificar se a consulta foi executada com o mecanismo colunar, execute o seguinte comando:

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

Limpar

Para desinstalar o AlloyDB Omni, consulte Gerenciar e monitorar o AlloyDB Omni.

A seguir

• Aprenda a criar aplicativos de IA generativa usando a IA do AlloyDB.
• Criar um índice ScaNN.