Menelusuri embeddings dengan penelusuran vektor
Untuk memberikan masukan atau meminta dukungan terkait fitur ini, kirim email ke bq-vector-search@google.com.
Tutorial ini menunjukkan cara menelusuri embedding yang disimpan di tabel BigQuery menggunakan fungsi VECTOR_SEARCH
dan indeks vektor (opsional).
Izin yang diperlukan
Untuk menjalankan tutorial ini, Anda memerlukan izin Identity and Access Management (IAM) berikut:
- Untuk membuat set data, Anda memerlukan izin
bigquery.datasets.create
. Untuk membuat tabel, Anda memerlukan izin berikut:
bigquery.tables.create
bigquery.tables.updateData
bigquery.jobs.create
Untuk membuat indeks vektor, Anda memerlukan izin
bigquery.tables.createIndex
pada tabel tempat Anda membuat indeks.Untuk meletakkan indeks vektor, Anda memerlukan izin
bigquery.tables.deleteIndex
pada tabel tempat Anda meletakkan indeks.
Setiap peran IAM yang telah ditetapkan berikut mencakup izin yang Anda perlukan untuk menangani indeks vektor:
- BigQuery Data Owner (
roles/bigquery.dataOwner
) - BigQuery Data Editor (
roles/bigquery.dataEditor
)
Biaya
Dalam dokumen ini, Anda menggunakan komponen Google Cloud yang dapat ditagih berikut:
- BigQuery: Anda dikenai biaya untuk penyimpanan indeks dan pemrosesan data di BigQuery.
Untuk membuat perkiraan biaya berdasarkan proyeksi penggunaan Anda,
gunakan kalkulator harga.
Untuk informasi lebih lanjut, lihat Harga BigQuery.
Sebelum memulai
-
Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.
-
Pastikan penagihan telah diaktifkan untuk project Google Cloud Anda.
-
Aktifkan API BigQuery.
Membuat set data
Buat set data BigQuery:
Di konsol Google Cloud, buka halaman BigQuery.
Di panel Explorer, klik nama project Anda.
Klik
View actions > Create dataset.Di halaman Create dataset, lakukan hal berikut:
Untuk Dataset ID, masukkan
vector_search
.Untuk Location type, pilih Multi-region, lalu pilih US (multiple regions in United States).
Set data publik disimpan di
US
multi-region. Untuk mempermudah, simpan set data Anda di lokasi yang sama.Jangan ubah setelan default yang tersisa, lalu klik Create dataset.
Membuat tabel pengujian
Buat tabel
patents
yang berisi embedding paten, berdasarkan sebagian dari set data publik Google Paten:CREATE TABLE vector_search.patents AS SELECT * FROM `patents-public-data.google_patents_research.publications` WHERE ARRAY_LENGTH(embedding_v1) > 0 AND publication_number NOT IN ('KR-20180122872-A') LIMIT 1000000;
Buat tabel
patents2
yang berisi embedding paten untuk menemukan tetangga terdekat untuk:CREATE TABLE vector_search.patents2 AS SELECT * FROM `patents-public-data.google_patents_research.publications` WHERE publication_number = 'KR-20180122872-A';
Membuat indeks vektor
Buat indeks vektor
my_index
di kolomembeddings_v1
pada tabelpatents
:CREATE VECTOR INDEX my_index ON vector_search.patents(embedding_v1) OPTIONS(distance_type='COSINE', index_type='IVF', ivf_options='{"num_lists": 1000}');
Tunggu beberapa menit hingga indeks vektor selesai dibuat, lalu jalankan kueri berikut dan konfirmasi bahwa nilai
coverage_percentage
adalah100
:SELECT * FROM vector_search.INFORMATION_SCHEMA.VECTOR_INDEXES;
Menggunakan fungsi VECTOR_SEARCH
dengan indeks
Setelah indeks vektor dibuat dan diisi, gunakan fungsi VECTOR_SEARCH
untuk menemukan tetangga terdekat untuk embedding di kolom embedding_v1
pada tabel patents2
. Kueri ini menggunakan indeks vektor dalam penelusuran,
sehingga VECTOR_SEARCH
menggunakan metode
Estimated Nearest Neighbor
untuk menemukan tetangga terdekat dari embedding:
SELECT query.publication_number AS query_publication_number, query.title AS query_title, base.publication_number AS base_publication_number, base.title AS base_title, distance FROM VECTOR_SEARCH( TABLE vector_search.patents, 'embedding_v1', TABLE vector_search.patents2, top_k => 5, distance_type => 'COSINE', options => '{"fraction_lists_to_search": 0.005}');
Hasilnya akan terlihat seperti berikut:
+--------------------------+-------------------------------------------------------------+-------------------------+--------------------------------------------------------------------------------------------------------------------------+---------------------+ | query_publication_number | query_title | base_publication_number | base_title | distance | +--------------------------+-------------------------------------------------------------+-------------------------+--------------------------------------------------------------------------------------------------------------------------+---------------------+ | KR-20180122872-A | Rainwater management system based on rainwater keeping unit | CN-106599080-B | A kind of rapid generation for keeping away big vast transfer figure based on GIS | 0.14471956347590609 | | KR-20180122872-A | Rainwater management system based on rainwater keeping unit | CN-114118544-A | Urban waterlogging detection method and device | 0.17472108931171348 | | KR-20180122872-A | Rainwater management system based on rainwater keeping unit | KR-20200048143-A | Method and system for mornitoring dry stream using unmanned aerial vehicle | 0.17561990745619782 | | KR-20180122872-A | Rainwater management system based on rainwater keeping unit | KR-101721695-B1 | Urban Climate Impact Assessment method of Reflecting Urban Planning Scenarios and Analysis System using the same | 0.17696129365559843 | | KR-20180122872-A | Rainwater management system based on rainwater keeping unit | CN-109000731-B | The experimental rig and method that research inlet for stom water chocking-up degree influences water discharged amount | 0.17902723269642917 | +--------------------------+-------------------------------------------------------------+-------------------------+--------------------------------------------------------------------------------------------------------------------------+---------------------+
Menggunakan fungsi VECTOR_SEARCH
dengan brute force
Gunakan fungsi VECTOR_SEARCH
untuk menemukan tetangga terdekat untuk embedding di kolom embedding_v1
dalam tabel patents2
. Kueri ini tidak menggunakan indeks vektor dalam penelusuran, sehingga VECTOR_SEARCH
menemukan tetangga terdekat yang tepat dari embedding:
SELECT query.publication_number AS query_publication_number, query.title AS query_title, base.publication_number AS base_publication_number, base.title AS base_title, distance FROM VECTOR_SEARCH( TABLE vector_search.patents, 'embedding_v1', TABLE vector_search.patents2, top_k => 5, distance_type => 'COSINE', options => '{"use_brute_force":true}');
Hasilnya akan terlihat seperti berikut:
+--------------------------+-------------------------------------------------------------+-------------------------+--------------------------------------------------------------------------------------------------------------------------+---------------------+ | query_publication_number | query_title | base_publication_number | base_title | distance | +--------------------------+-------------------------------------------------------------+-------------------------+--------------------------------------------------------------------------------------------------------------------------+---------------------+ | KR-20180122872-A | Rainwater management system based on rainwater keeping unit | CN-106599080-B | A kind of rapid generation for keeping away big vast transfer figure based on GIS | 0.1447195634759062 | | KR-20180122872-A | Rainwater management system based on rainwater keeping unit | CN-114118544-A | Urban waterlogging detection method and device | 0.1747210893117136 | | KR-20180122872-A | Rainwater management system based on rainwater keeping unit | KR-20200048143-A | Method and system for mornitoring dry stream using unmanned aerial vehicle | 0.17561990745619782 | | KR-20180122872-A | Rainwater management system based on rainwater keeping unit | KR-101721695-B1 | Urban Climate Impact Assessment method of Reflecting Urban Planning Scenarios and Analysis System using the same | 0.17696129365559843 | | KR-20180122872-A | Rainwater management system based on rainwater keeping unit | CN-109000731-B | The experimental rig and method that research inlet for stom water chocking-up degree influences water discharged amount | 0.17902723269642928 | +--------------------------+-------------------------------------------------------------+-------------------------+--------------------------------------------------------------------------------------------------------------------------+---------------------+
Mengevaluasi perolehan
Saat Anda melakukan penelusuran vektor dengan indeks, penelusuran vektor akan menampilkan hasil perkiraan, dengan kompromi dari pengurangan penarikan. Anda dapat menghitung recall dengan
membandingkan hasil yang ditampilkan oleh penelusuran vektor dengan indeks dan dengan penelusuran
vektor dengan brute force. Dalam set data ini, nilai publication_number
secara unik mengidentifikasi paten, sehingga digunakan sebagai perbandingan.
WITH approx_results AS ( SELECT query.publication_number AS query_publication_number, base.publication_number AS base_publication_number FROM VECTOR_SEARCH( TABLE vector_search.patents, 'embedding_v1', TABLE vector_search.patents2, top_k => 5, distance_type => 'COSINE', options => '{"fraction_lists_to_search": 0.005}') ), exact_results AS ( SELECT query.publication_number AS query_publication_number, base.publication_number AS base_publication_number FROM VECTOR_SEARCH( TABLE vector_search.patents, 'embedding_v1', TABLE vector_search.patents2, top_k => 5, distance_type => 'COSINE', options => '{"use_brute_force":true}') ) SELECT a.query_publication_number, SUM(CASE WHEN a.base_publication_number = e.base_publication_number THEN 1 ELSE 0 END) / 5 AS recall FROM exact_results e LEFT JOIN approx_results a ON e.query_publication_number = a.query_publication_number GROUP BY a.query_publication_number
Jika penarikan lebih rendah dari yang diinginkan, Anda dapat meningkatkan
nilai fraction_lists_to_search
, dengan kelemahan latensi dan penggunaan resource
yang berpotensi lebih tinggi. Untuk menyesuaikan penelusuran vektor, Anda dapat mencoba beberapa operasi VECTOR_SEARCH
dengan nilai argumen yang berbeda, menyimpan hasilnya ke tabel, lalu membandingkan hasilnya.
Pembersihan
- Di konsol Google Cloud, buka halaman Manage resource.
- Pada daftar project, pilih project yang ingin Anda hapus, lalu klik Delete.
- Pada dialog, ketik project ID, lalu klik Shut down untuk menghapus project.