Praktik terbaik untuk menyesuaikan indeks ScaNN

Parameter yang direkomendasikan untuk indeksScaNN akan berbeda-beda, bergantung pada apakah Anda memilih untuk membuat indeks hierarki dua tingkat atau tiga tingkat. Halaman ini memberikan rekomendasi tentang cara menyesuaikan parameter indeks untuk keseimbangan yang optimal antara recall dan QPS.

Pembuatan indeks ScaNN

Untuk informasi selengkapnya, lihat referensi Indeks ScaNN.

Indeks hierarki dua tingkat

Untuk menerapkan rekomendasi guna membantu Anda menemukan nilai num_leaves dan num_leaves_to_search yang optimal untuk set data, ikuti langkah-langkah yang direkomendasikan berikut:

  1. Untuk membuat indeks ScaNN yang dioptimalkan untuk kasus berikut, tetapkan parameter num_leaves ke nilai berikut, dengan baris adalah jumlah baris dalam tabel yang diindeks:
    • waktu dan kualitas build indeks seimbang menetapkan num_leaves ke sqrt(rows).
    • quality menetapkan num_leaves ke baris/100.
  2. Jalankan kueri pengujian, dengan meningkatkan nilai scann.num_of_leaves_to_search, hingga Anda mencapai rentang recall target–misalnya, 95%. Untuk mengetahui informasi selengkapnya tentang cara menganalisis kueri, lihat Menganalisis kueri.
  3. Perhatikan rasio antara scann.num_leaves_to_search dan num_leaves yang akan digunakan pada langkah berikutnya. Rasio ini memberikan perkiraan di sekitar set data yang akan membantu Anda mencapai target recall.

    Jika Anda menggunakan vektor dimensi tinggi (500 dimensi atau lebih tinggi) dan ingin meningkatkan recall, coba sesuaikan nilai scann.pre_reordering_num_neighbors. Nilai default ditetapkan ke nilai 500 * K dengan K adalah batas yang Anda tetapkan dalam kueri.
  4. Jika QPS Anda terlalu rendah setelah kueri mencapai recall target, ikuti langkah-langkah berikut:
    1. Buat ulang indeks, dengan meningkatkan nilai num_leaves dan scann.num_leaves_to_search sesuai panduan berikut:
      • Tetapkan num_leaves ke faktor yang lebih besar dari akar kuadrat jumlah baris Anda. Misalnya, jika indeks memiliki num_leaves yang ditetapkan ke akar kuadrat jumlah baris, coba tetapkan ke dua kali akar kuadrat. Jika nilainya sudah dua kali lipat, coba tetapkan nilai tersebut untuk melipatgandakan akar kuadrat.
      • Tingkatkan scann.num_leaves_to_search sesuai kebutuhan untuk mempertahankan rasionya dengan num_leaves, yang Anda catat pada Langkah 3.
      • Tetapkan num_leaves ke nilai yang kurang dari atau sama dengan jumlah baris dibagi 100.
    2. Jalankan lagi kueri pengujian. Saat menjalankan kueri pengujian, lakukan eksperimen dengan mengurangi scann.num_leaves_to_search, menemukan nilai yang meningkatkan QPS sekaligus menjaga perolehan tetap tinggi. Coba nilai scann.num_leaves_to_search yang berbeda tanpa membuat ulang indeks.
  5. Ulangi Langkah 4 hingga QPS dan rentang recall mencapai nilai yang dapat diterima.

Indeks hierarki tiga tingkat

Selain rekomendasi untuk indeks ScaNN hierarki dua tingkat, gunakan panduan berikut.

Untuk menerapkan rekomendasi guna menemukan nilai optimal parameter indeks num_leaves dan max_num_levels, ikuti langkah-langkah berikut:

  1. Buat indeks ScaNN dengan kombinasi num_leaves dan max_num_levels berikut berdasarkan sasaran performa Anda:

    • balance index build time & quality: Tetapkan max_num_levels sebagai 2 dan num_leaves sebagai power(rows, ⅔).
    • optimalkan kualitas: Tetapkan max_num_levels sebagai 2 dan num_leaves sebagai rows/100.

  2. Jalankan kueri pengujian Anda. Untuk mengetahui informasi selengkapnya tentang cara menganalisis kueri, lihat Menganalisis kueri.

  3. Perhatikan rasio antara scann.num_leaves_to_search dan num_leaves yang akan digunakan di langkah berikutnya. Rasio ini memberikan perkiraan seputar set data yang akan membantu Anda mencapai target recall.

Jika Anda menggunakan vektor dimensi tinggi (500 dimensi atau lebih tinggi) dan ingin meningkatkan recall, coba sesuaikan nilai scann.pre_reordering_num_neighbors. Nilai default ditetapkan ke nilai 500 * K dengan K adalah batas yang Anda tetapkan dalam kueri.

  1. Jika QPS Anda terlalu rendah setelah kueri mencapai target recall, ikuti langkah-langkah berikut:

    • Buat ulang indeks, dengan meningkatkan nilai num_leaves dan scann.num_leaves_to_search sesuai dengan panduan berikut:
    • Tetapkan num_leaves ke faktor power(rows, ⅔) yang lebih besar. Misalnya, jika indeks memiliki num_leaves yang ditetapkan ke power(rows, ⅔), coba tetapkan untuk menggandakan power(rows, ⅔). Jika nilainya sudah dua kali lipat, coba tetapkan nilainya menjadi tiga kali lipat power(rows, ⅔).
    • Tingkatkan scann.num_leaves_to_search sesuai kebutuhan untuk mempertahankan rasionya dengan num_leaves, yang Anda catat pada Langkah 3.
    • Tetapkan num_leaves ke nilai yang kurang dari atau sama dengan rows/100.
    • Jalankan lagi kueri pengujian. Saat menjalankan kueri pengujian, lakukan eksperimen dengan mengurangi scann.num_leaves_to_search, menemukan nilai yang meningkatkan QPS sekaligus menjaga perolehan tetap tinggi. Coba nilai scann.num_leaves_to_search yang berbeda tanpa membuat ulang indeks.

  2. Ulangi Langkah 4 hingga QPS dan rentang recall mencapai nilai yang dapat diterima.

Pemeliharaan indeks

Jika tabel Anda rentan terhadap pembaruan atau penyisipan yang sering, sebaiknya indeks ulang indeks ScaNN yang ada secara berkala untuk meningkatkan akurasi recall. Anda dapat memantau metrik indeks untuk melihat perubahan pada distribusi vektor atau mutasi vektor sejak indeks dibuat, lalu mengindeks ulang sesuai kebutuhan. Untuk mengetahui informasi selengkapnya tentang metrik, lihat Melihat metrik indeks Vektor.

Langkah selanjutnya