ScaNN ベクトルクエリのパフォーマンスの概要

ドキュメントのバージョンを選択してください。

このページでは、ScaNN インデックスを使用してベクトルクエリのパフォーマンスを向上させる方法の概要について説明します。

ScaNN インデックスは、木量子化ベースのインデックスを使用します。木量子化手法では、インデックスは量子化（ハッシュ化）関数とともに検索ツリーを学習します。クエリを実行すると、検索ツリーを使用して検索空間がプルーニングされ、量子化を使用してインデックス サイズが圧縮されます。このプルーニングにより、クエリベクトルとデータベース ベクトルの類似性（距離）のスコアリングが高速化されます。

高速な秒間クエリ数（QPS）と最近傍クエリでの高い再現率の両方を実現するには、データとクエリに最も適した方法で ScaNN インデックスのツリーをパーティショニングする必要があります。

現在の高次元エンベディング モデルの共通の特徴は、低次元でも多くの情報を保持できることです。たとえば、エンベディングの次元の 20% で情報の 90% を保持できます。このようなデータセットを高速化するために、AlloyDB ScaNN は、インデックスに登録されたベクトルに主成分分析（scann.enable_pca below を参照）を使用して、次元削減を自動的に実行します。これにより、ベクトル検索の CPU とメモリの使用量がさらに削減されます。次元削減によってインデックスで再現率がわずかに低下するため、AlloyDB ScaNN は、インデックスから PCA 変換された多数のベクトル候補を最初のランキング ステップで取得し、元のベクトルに基づいて再ランキングすることで補正します（scann.pre_reordering_num_neighbors を参照）。

次のステップ