雖然某些專用資料庫僅支援向量嵌入，但其他資料庫除了向量嵌入外，也支援許多其他資料和查詢類型。如果想利用豐富的實際資料建構生成式 AI 應用程式，就必須支援各種資料類型和查詢類型。隨著使用向量嵌入進行語意查詢的好處變得顯而易見，大多數資料庫也將新增向量支援。因此，我們確信未來每個資料庫都會成為向量資料庫。

瞭解 Vertex AI 向量搜尋如何助您建構高效能的生成式 AI 應用程式。Vertex AI 的向量搜尋採用 Google 研究開發的 Scalable Nearest Neighbor Search (簡稱 ScaNN) 向量搜尋技術，兼具擴充性與效率，非常適合用來處理大型資料集和即時搜尋需求。歡迎觀看下方影片，進一步瞭解向量搜尋和嵌入，並參閱這份快速入門指南，開始使用這項功能。

有效率地查詢大量向量需要專用的索引和搜尋策略，這與傳統文字或數值欄位不同。由於向量沒有單一邏輯順序，向量資料庫會透過下列機制擷取資料：

• 最鄰近搜尋 (KNN)：最常見的用途是找出與查詢向量最接近的「k」個向量。這項技術會使用點積距離、餘弦相似度或歐幾里得距離等距離指標，衡量向量空間中的鄰近程度。
• 近似最近鄰 (ANN)：計算查詢向量與其他所有向量之間的確切距離，可能需要大量運算資源。為降低這項成本，資料庫會使用 ANN 演算法。這些演算法會犧牲少量準確率 (召回率)，但可大幅提升搜尋速度，對大多數語意搜尋應用程式來說，這是可接受的取捨。
• 向量索引：為了加快查詢速度，向量索引會整理資料，將鄰近向量的叢集歸為一組。常見的結構包括清單 (代表向量叢集)、圖表 (將向量連結至鄰點) 和樹狀結構 (分支代表叢集的子集)。在查詢速度、記憶體用量和索引建立時間方面，每種索引類型各有優缺點。
• 中繼資料篩選：大多數應用程式不只需要語意相似度。舉例來說，使用者可能想搜尋類似「關於魚的溫馨故事」的書籍 (向量搜尋)，但將結果限制在「$20 美元以下」的商品 (中繼資料篩選器)。進階向量資料庫會結合這些 SQL 述詞與向量相似度，執行強大的混合型查詢。

AlloyDB for PostgreSQL 結合 PostgreSQL 的相容性與 Google 的可擴充基礎架構。除了透過標準 pgvector 擴充功能，內建向量嵌入支援外，還採用 Google 的 ScaNN 索引，強化這項功能。這能加快向量查詢速度，並啟用「內嵌篩選」功能，同時評估向量相似度和中繼資料篩選器，進而提升混合型搜尋成效。

範例：房地產混合型搜尋

使用者想在房地產應用程式中尋找符合「氛圍」(例如「採光充足的現代中世紀風格」) 的房屋，同時嚴格遵守硬性限制 (例如「3 間臥室」、「低於 $80 萬美元」和「位於 A 學區」)。

• 挑戰：標準向量搜尋可能會傳回價格為 $200 萬美元或位於錯誤區域的「中世紀」住宅；標準 SQL 查詢可以依價格篩選，但無法理解「中世紀風格」
• 解決方案：AlloyDB 的內嵌篩選功能會掃描向量索引，並在單一傳遞中同時檢查 SQL 中繼資料篩選器 (價格、位置)
• 結果：應用程式在幾毫秒內傳回符合美學和預算的房屋，且不會因後續篩選結果而影響效能

Google Cloud 將向量搜尋功能直接整合至核心資料庫服務，協助您運用現有資料和工作流程，將生成式 AI 投入實際運作。

Google 的全球分散式資料庫 Spanner 支援交易應用程式的向量搜尋功能。可透過精確和近似最鄰近演算法，提供高可用性、可擴充的向量搜尋功能。因此，全球應用程式可以實作即時推薦或語意搜尋等功能，同時維持嚴格的一致性和可靠性。

範例：電子商務的即時推薦

一家全球電子商務平台想建構推薦引擎，處理「雨天最佳登山靴」等模糊的使用者搜尋查詢，同時立即確保產品供應情形。

• 挑戰：傳統的關鍵字比對方式會遺漏相關產品，因為這些產品的說明可能不含確切的搜尋字詞 (例如，說明提到「防水」的產品，可能無法比對到「下雨」的搜尋字詞)。此外，在流量高峰期間，如果需要透過獨立的向量資料庫驗證庫存供應情形，可能會產生延遲，並造成資料一致性風險
• 解決方案：平台在現有的 Spanner「Products」資料表中新增向量欄，並透過 SQL 使用 Vertex AI 生成嵌入；他們使用 Spanner 的向量搜尋功能執行混合型查詢，找出語意相似的產品，同時強制執行嚴格的庫存檢查 (InventoryCount > 0)
• 結果：顧客收到準確的個人化產品推薦，保證有現貨，且延遲時間極短，全球一致性高，滿足即時交易所需的一切

BigQuery 可讓您對龐大的資料集執行向量分析，不必將資料移出資料倉儲。您可以使用 VECTOR_SEARCH 函式，透過標準 SQL 執行相似度搜尋。這項功能特別適合用於數據分析用途，例如根據行為將顧客分群，或從數十億列資料中找出類似的產品趨勢。

範例：大規模偵測網路安全威脅

為了找出惡意活動，資安團隊需要分析數 PB 的伺服器記錄。攻擊者通常會稍微修改程式碼，規避完全比對關鍵字搜尋。

• 挑戰：關鍵字搜尋會遺漏已知攻擊的細微變化 (例如：變更惡意指令碼中的變數名稱)
• 解決方案：團隊使用 BigQuery 為數十億筆記錄項目生成嵌入，然後執行 VECTOR_SEARCH 查詢，找出所有語意上與已知漏洞攻擊特徵相似的記錄，進而識別出新的攻擊變體
• 成果：他們使用簡單的 SQL，就能偵測及彙整多年歷來資料的零時差威脅，不必將資料移至專門的向量資料庫