Bonnes pratiques pour optimiser les index ScaNN

Les paramètres recommandés pour l'index ScaNN varient selon que vous choisissez de créer un indice en arborescence à deux ou trois niveaux. Cette page fournit des recommandations sur l'ajustement des paramètres d'index pour obtenir un équilibre optimal entre le rappel et le RPS.

Création d'index ScaNN

Pour en savoir plus, consultez la documentation de référence sur l'indice ScaNN.

Index arborescent à deux niveaux

Pour appliquer des recommandations qui vous aideront à trouver les valeurs optimales de num_leaves et num_leaves_to_search pour votre ensemble de données, suivez ces étapes recommandées:

  1. Pour créer l'index ScaNN optimisé pour les cas suivants, définissez le paramètre num_leaves sur la valeur suivante, où "rows" correspond au nombre de lignes dans la table indexée :
    • Pour équilibrer le temps de création de l'index et la qualité, définissez num_leaves sur sqrt(rows).
    • quality définit num_leaves sur lignes/100.
  2. Exécutez vos requêtes de test, en augmentant la valeur de scann.num_of_leaves_to_search, jusqu'à atteindre la plage de rappel cible (par exemple, 95 %). Pour en savoir plus sur l'analyse de vos requêtes, consultez Analyser vos requêtes.
  3. Notez le ratio entre scann.num_leaves_to_search et num_leaves qui sera utilisé dans les étapes suivantes. Ce ratio fournit une approximation autour de l'ensemble de données qui vous aidera à atteindre votre rappel cible.

    Si vous travaillez avec des vecteurs à dimension élevée (500 dimensions ou plus) et que vous souhaitez améliorer le rappel, essayez d'ajuster la valeur de scann.pre_reordering_num_neighbors. La valeur par défaut est définie sur 500 * K, où K correspond à la limite que vous définissez dans votre requête.
  4. Si votre RPS est trop faible une fois que vos requêtes ont atteint un rappel cible, procédez comme suit :
    1. Recréez l'index en augmentant la valeur de num_leaves et scann.num_leaves_to_search conformément aux instructions suivantes :
      • Définissez num_leaves sur un facteur plus élevé de la racine carrée du nombre de lignes. Par exemple, si num_leaves est défini sur la racine carrée du nombre de lignes de l'index, essayez de le définir sur le double de la racine carrée. Si la valeur est déjà doublée, essayez de la définir sur le triple de la racine carrée.
      • Augmentez scann.num_leaves_to_search si nécessaire pour maintenir son ratio avec num_leaves, que vous avez noté à l'étape 3.
      • Définissez num_leaves sur une valeur inférieure ou égale au nombre de lignes divisé par 100.
    2. Exécutez à nouveau les requêtes de test. Lorsque vous exécutez les requêtes de test, essayez de réduire scann.num_leaves_to_search afin de trouver une valeur qui augmente le RPS tout en maintenant un taux de rappel élevé. Essayez différentes valeurs de scann.num_leaves_to_search sans reconstruire l'index.
  5. Répétez l'étape 4 jusqu'à ce que la plage de RPS et le débit de requêtes par seconde atteignent des valeurs acceptables.

Index arborescent à trois niveaux

En plus des recommandations concernant l'index ScaNN en arbre à deux niveaux, suivez les conseils ci-dessous.

Pour appliquer des recommandations afin de trouver la valeur optimale des paramètres d'index num_leaves et max_num_levels, procédez comme suit:

  1. Créez l'index ScaNN avec les combinaisons num_leaves et max_num_levels suivantes en fonction de vos objectifs de performances:

    • Équilibrer le temps de création de l'index et la qualité: définissez max_num_levels sur 2 et num_leaves sur power(rows, ⅔).
    • Optimiser pour la qualité: définissez max_num_levels sur 2 et num_leaves sur rows/100.

  2. Exécutez vos requêtes de test. Pour en savoir plus sur l'analyse des requêtes, consultez Analyser vos requêtes.

  3. Notez le ratio entre scann.num_leaves_to_search et num_leaves qui sera utilisé dans les étapes suivantes. Ce ratio fournit une approximation de l'ensemble de données qui vous aidera à atteindre votre rappel cible.

Si vous travaillez avec des vecteurs à dimension élevée (500 dimensions ou plus) et que vous souhaitez améliorer la mémorisation, essayez d'ajuster la valeur de scann.pre_reordering_num_neighbors. La valeur par défaut est définie sur 500 * K, où K correspond à la limite que vous définissez dans votre requête.

  1. Si votre RPS est trop faible une fois que vos requêtes ont atteint un rappel cible, procédez comme suit:

    • Recréez l'index en augmentant la valeur de num_leaves et scann.num_leaves_to_search conformément aux instructions suivantes:
    • Définissez num_leaves sur un facteur plus élevé que power(rows, ⅔). Par exemple, si num_leaves est défini sur power(rows, ⅔) dans l'index, essayez de le définir sur le double de power(rows, ⅔). Si la valeur est déjà doublée, essayez de la définir sur le triple de power(rows, ⅔).
    • Augmentez scann.num_leaves_to_search si nécessaire pour maintenir son ratio avec num_leaves, que vous avez noté à l'étape 3.
    • Définissez num_leaves sur une valeur inférieure ou égale à rows/100.
    • Exécutez à nouveau les requêtes de test. Lorsque vous exécutez les requêtes de test, essayez de réduire scann.num_leaves_to_search afin de trouver une valeur qui augmente le RPS tout en maintenant un taux de rappel élevé. Essayez différentes valeurs de scann.num_leaves_to_search sans reconstruire l'index.

  2. Répétez l'étape 4 jusqu'à ce que la plage de RPS et le débit de requêtes par seconde atteignent des valeurs acceptables.

Maintenance des index

Si votre table est sujette à des mises à jour ou des insertions fréquentes, nous vous recommandons de réindexer régulièrement l'index ScaNN existant afin d'améliorer la précision de la récupération. Vous pouvez surveiller les métriques de l'index pour afficher les modifications apportées aux distributions ou aux mutations de vecteurs depuis la création de l'index, puis réindexer en conséquence. Pour en savoir plus sur les métriques, consultez Afficher les métriques de l'index vectoriel.

Étape suivante