Un vector representa datos numéricamente de una manera que captura sus características clave, lo que los asigna a un espacio matemático virtual. En este espacio, los elementos similares, como palabras, imágenes u objetos, se posicionan cerca unos de otros.

Por ejemplo, consideremos las palabras “abrigo” y “chaqueta”. Las búsquedas tradicionales basadas en palabras clave no conectarían estas dos palabras como similares, porque sus letras son bastante diferentes. Un sistema de comercio electrónico que quiera unir estas palabras clave tendría que hacerlo de forma manual. Sin embargo, las representaciones vectoriales de estos dos términos estarían muy cerca porque comparten significados similares, lo que ofrece resultados de búsqueda más precisos para los usuarios y ahorra tiempo a los desarrolladores.

De manera similar, si tomas dos fotos diferentes de gatos, píxel por píxel podrían ser muy diferentes. Sin embargo, sus embeddings de vector las colocarían muy cerca en el espacio matemático, al igual que un humano identificaría fácilmente ambas imágenes como de gatos:

Para que esto funcione, un modelo de embeddings transforma los datos sin procesar, como imágenes o texto, en embeddings de vector. pgvector almacena estos embeddings en tu base de datos. Cuando un usuario envía una consulta, esa entrada también se convierte en un vector. Luego, pgvector calcula la distancia entre el vector de consulta y los vectores almacenados para identificar de manera eficiente los “vecinos más cercanos” con las puntuaciones de similitud más altas.

¿Quieres saber más sobre los diferentes tipos de búsquedas de vecinos más cercanos? Consulta nuestra guía para el desarrollo de apps de IA generativa.

Para admitir las funciones basadas en IA de la actualidad, necesitas la capacidad de almacenar y administrar embeddings de vector.

PostgreSQL puede ser potente por sí solo, pero debido a que sus datos están estructurados de forma rígida en tablas, filas y columnas, su capacidad de consulta se limita en gran medida a la coincidencia de palabras clave y patrones.

En el mundo de la IA, los datos complejos como texto, imágenes y audio se codifican como representaciones vectoriales. Estas codificaciones permiten que los modelos de IA comprendan el contexto y las relaciones semánticas en tus datos, lo que forma 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 vector para encontrar resultados basados en el significado de una consulta, en lugar de solo concordancias de palabras clave como lo haría SQL. Este proceso, conocido como búsqueda de similitud, facilita agregar capacidades de búsqueda avanzadas directamente a tus aplicaciones sin necesidad de rediseñar la arquitectura o mover los datos a una base de datos de vectores independiente.

¿Quieres obtener más información sobre los embeddings de vector? Consulta nuestra guía para el desarrollo de apps de IA generativa.

Cloud SQL y AlloyDB para PostgreSQL admiten pgvector, lo que te permite almacenar y consultar embeddings de vectores con comandos de 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 debes hacerlo una vez por base de datos.

Crea una tabla nueva (o modifica una existente) para incluir una columna de datos vectoriales. Debes especificar las dimensiones del vector. Por ejemplo, para crear una tabla para almacenar embeddings tridimensionales, haz lo siguiente:

Puedes insertar embeddings de vectores como datos estándar. Los vectores tienen el formato de arrays encerrados entre corchetes.

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

En conjuntos de datos más grandes, agregar un índice puede acelerar significativamente el rendimiento de la búsqueda. Los índices HNSW y ScaNN son opciones habituales. Aquí tienes un ejemplo de HNSW: