Ajustar a performance da consulta de vetor

Este documento mostra como ajustar seus índices para melhorar a performance da consulta e a recuperação.

Antes de criar um índice ScaNN, faça o seguinte:

  • Verifique se uma tabela com seus dados já foi criada.
  • Verifique se o valor definido para a flag maintenance_work_mem e a shared_buffers é menor que a memória total da máquina para evitar problemas ao gerar o índice.

Ajustar um índice ScaNN

Use as orientações a seguir para escolher entre um índice ScaNN de dois níveis e um de três níveis:

  • Escolha um índice de dois níveis se o número de linhas de vetor for inferior a 10 milhões.
  • Escolha um índice de três níveis se o número de linhas vetoriais exceder 100 milhões.
  • Escolha um índice de três níveis para otimizar o tempo de criação de índice ou um índice de dois níveis para otimizar a recuperação de pesquisa se o número de linhas do vetor estiver entre 10 milhões e 100 milhões.

Considere os exemplos a seguir de índices ScaNN de dois e três níveis que mostram como os parâmetros de ajuste são definidos para uma tabela com 1.000.000 linhas:

Índice de dois níveis

SET LOCAL scann.num_leaves_to_search = 1;
SET LOCAL scann.pre_reordering_num_neighbors=50;

CREATE INDEX my-scann-index ON my-table
  USING scann (vector_column cosine)
  WITH (num_leaves = [power(1000000, 1/2)]);

Índice de três níveis

SET LOCAL scann.num_leaves_to_search = 10;
SET LOCAL scann.pre_reordering_num_neighbors=50;

CREATE INDEX my-scann-index ON my-table
  USING scann (vector_column cosine)
  WITH (num_leaves = [power(1000000, 2/3)], max_num_levels = 2);

Analisar suas consultas

Use o comando EXPLAIN ANALYZE para analisar os insights da consulta, conforme mostrado no exemplo de consulta SQL a seguir.

  EXPLAIN ANALYZE SELECT result-column
  FROM my-table
  ORDER BY EMBEDDING_COLUMN <-> embedding('text-embedding-005', 'What is a database?')::vector
  LIMIT 1;

O exemplo de resposta QUERY PLAN inclui informações como o tempo gasto, o número de linhas digitalizadas ou retornadas e os recursos usados.

Limit  (cost=0.42..15.27 rows=1 width=32) (actual time=0.106..0.132 rows=1 loops=1)
  ->  Index Scan using my-scann-index on my-table  (cost=0.42..858027.93 rows=100000 width=32) (actual time=0.105..0.129 rows=1 loops=1)
        Order By: (embedding_column <-> embedding('text-embedding-005', 'What is a database?')::vector(768))
        Limit value: 1
Planning Time: 0.354 ms
Execution Time: 0.141 ms

Conferir métricas do índice vetorial

É possível usar as métricas do índice de vetor para analisar a performance do índice, identificar áreas para melhoria e ajustar o índice com base nas métricas, se necessário.

Para conferir todas as métricas do índice de vetor, execute a consulta SQL abaixo, que usa a visualização pg_stat_ann_indexes:

SELECT * FROM pg_stat_ann_indexes;

Você verá uma saída semelhante a esta:

-[ RECORD 1 ]----------+---------------------------------------------------------------------------
relid                  | 271236
indexrelid             | 271242
schemaname             | public
relname                | t1
indexrelname           | t1_ix1
indextype              | scann
indexconfig            | {num_leaves=100,quantizer=SQ8}
indexsize              | 832 kB
indexscan              | 0
insertcount            | 250
deletecount            | 0
updatecount            | 0
partitioncount         | 100
distribution           | {"average": 3.54, "maximum": 37, "minimum": 0, "outliers": [37, 12, 11, 10, 10, 9, 9, 9, 9, 9]}
distributionpercentile |{"10": { "num_vectors": 0, "num_partitions": 0 }, "25": { "num_vectors": 0, "num_partitions": 30 }, "50": { "num_vectors": 3, "num_partitions": 30 }, "75": { "num_vectors": 5, "num_partitions": 19 }, "90": { "num_vectors": 7, "num_partitions": 11 }, "95": { "num_vectors": 9, "num_partitions": 5 }, "99": { "num_vectors": 12, "num_partitions": 4 }, "100": { "num_vectors": 37, "num_partitions": 1 }}

Para mais informações sobre a lista completa de métricas, consulte Métricas de índice vetorial.

A seguir