Un vector representa datos numéricamente de forma que se capturan sus características clave, asignándolos a un espacio matemático virtual. En este espacio, los elementos similares, como palabras, imágenes u objetos, se colocan cerca unos de otros.

Por ejemplo, las palabras "abrigo" y "chaqueta". Las búsquedas tradicionales basadas en palabras clave no las conectarían como similares, ya que sus letras son bastante diferentes. Un sistema de comercio electrónico que quiera unir estas palabras clave tendría que hacerlo manualmente. Sin embargo, las representaciones vectoriales de estas dos palabras serían muy similares porque tienen significados parecidos, lo que permite ofrecer resultados de búsqueda más precisos a los usuarios y ahorrar tiempo a los desarrolladores.

De forma similar, si haces dos fotos distintas de gatos, píxel a píxel pueden ser muy diferentes. Sin embargo, sus embeddings de vectores los colocarían muy cerca en el espacio matemático, al igual que un humano identificaría fácilmente ambas imágenes como imágenes de gatos:

Para que esto funcione, un modelo de incrustaciones transforma los datos en bruto (como imágenes o texto) en incrustaciones de vectores. pgvector almacena estas incrustaciones en tu base de datos. Cuando un usuario envía una consulta, esa entrada también se convierte en un vector. A continuación, pgvector calcula la distancia entre el vector de consulta y los vectores almacenados para identificar de forma eficiente los "vecinos más cercanos" con las puntuaciones de similitud más altas.

¿Quieres saber más sobre los distintos tipos de búsquedas de vecinos más próximos? Consulta nuestra guía sobre el desarrollo de aplicaciones con IA generativa.

Para implementar las funciones basadas en IA actuales, necesitas poder almacenar y gestionar las incrustaciones de vectores.

PostgreSQL puede ser una herramienta muy potente por sí sola, pero, como sus datos están estructurados de forma rígida en tablas, filas y columnas, su capacidad de consulta se limita en gran medida a la búsqueda de palabras clave y patrones.

En el mundo de la IA, los datos complejos, como el texto, las imágenes y el audio, se codifican como representaciones vectoriales. Estas codificaciones permiten a los modelos de IA comprender el contexto y las relaciones semánticas de tus datos, lo que constituye la base de funciones como la búsqueda inteligente, las recomendaciones y la IA generativa.

La extensión pgvector lleva la búsqueda semántica a PostgreSQL, usando embeddings de vectores para encontrar resultados basados en el significado de una consulta, en lugar de limitarse a buscar coincidencias de palabras clave como haría SQL. Este proceso, conocido como búsqueda por similitud, facilita la incorporación de funciones de búsqueda avanzada directamente en tus aplicaciones sin necesidad de rediseñar la arquitectura ni de mover los datos a una base de datos de vectores independiente.

¿Quieres saber más sobre las incrustaciones de vectores? Consulta nuestra guía sobre el desarrollo de aplicaciones con IA generativa.

Cloud SQL y AlloyDB para PostgreSQL admiten pgvector, lo que te permite almacenar y consultar inserciones vectoriales mediante comandos SQL estándar.

Usa tu cliente de PostgreSQL preferido (como psql, pgAdmin o la consola de Google Cloud) para conectarte a tu instancia de Cloud SQL o AlloyDB.

Ejecuta el siguiente comando de SQL para habilitar la extensión en tu base de datos. Solo tienes que hacerlo una vez por cada base de datos.

Crea una tabla o modifica una que ya tengas para incluir una columna de datos vectoriales. Debes especificar las dimensiones del vector. Por ejemplo, para crear una tabla en la que almacenar embeddings tridimensionales:

Puedes insertar las inserciones de vectores igual que los datos estándar. Los vectores tienen el formato de arrays entre corchetes.

Ahora puedes consultar tus datos para encontrar los vecinos más cercanos. El operador <-> calcula la distancia euclídea (distancia L2), que se suele usar para encontrar los elementos más similares.

En el caso de conjuntos de datos más grandes, añadir un índice puede acelerar significativamente el rendimiento de la búsqueda. Los índices HNSW y ScaNN son opciones que se suelen usar. Aquí tienes un ejemplo de HNSW: