Realizar pesquisa vetorial no AlloyDB Omni

Selecione uma versão da documentação:

Neste tutorial, descrevemos como configurar e realizar uma pesquisa vetorial no AlloyDB Omni. Você executa consultas usando a pesquisa de vizinho mais próximo exato (KNN) e o índice ScaNN baseado no vizinho mais próximo aproximado (ANN). Você também aprende a executar consultas de pesquisa vetorial filtrada com eficiência usando o índice ScaNN.

Objetivos

  • Instalar o AlloyDB AI no 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.
  • Realizar uma pesquisa vetorial complexa com um filtro e uma junção.

Custos

Neste documento, você usará o seguinte componente faturável do Google Cloud

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

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 o AlloyDB AI no AlloyDB Omni com base no ambiente de computação

Com base no ambiente de computação que você está usando, siga as instruções em Instalar o AlloyDB AI no AlloyDB Omni para instalar o AlloyDB Omni.

Conectar-se ao banco de dados usando o psql

Instalar as extensões necessárias

Execute a consulta a seguir para 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;

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

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

As tabelas product_inventory e product são usadas neste tutorial para executar consultas de pesquisa vetorial complexas.

  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 incorporação para uma descrição de produto de cada item.
      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-004', description)) STORED
  );

  2. Execute a consulta a seguir para criar uma tabela product_inventory que armazene informações sobre o inventário disponível e os preços correspondentes.

    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: para verificar se os dados foram inseridos na tabela product, execute a consulta a seguir:

    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 para pesquisar produtos semelhantes à palavra music. 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;

    Se você realizar uma pesquisa vetorial básica sem criar um índice, o AlloyDB AI usará o KNN, que oferece um recall eficiente. No entanto, em escala, o uso do KNN pode afetar o desempenho. Para melhorar o desempenho da consulta, recomendamos usar o índice ScaNN para pesquisa de ANN, que oferece alto recall com baixa latência.

    Se você não criar um índice, o AlloyDB Omni usará o KNN por padrão.

Criar um índice ScaNN na tabela de produtos

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

  CREATE INDEX product_index ON product
  USING scann (embedding cosine)
  WITH (num_leaves=5);

O parâmetro num_leaves indica o número de nós folha com que o índice baseado em árvore cria o índice. Para mais informações sobre como ajustar esse parâmetro, consulte Ajustar o desempenho da consulta 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;

O parâmetro de consulta scann.num_leaves_to_search controla o número de nós folha pesquisados durante uma pesquisa de similaridade. Os valores dos parâmetros num_leaves e scann.num_leaves_to_search ajudam a equilibrar o desempenho da consulta e o recall.

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;

Limpar

A seguir