Un vecteur représente les données de façon numérique en capturant leurs principales caractéristiques et en les mappant dans un espace mathématique virtuel. Dans cet espace, les éléments similaires (mots, images, objets, par exemple) sont positionnés à proximité les uns des autres.

Par exemple, les termes "manteau" et "veste" ne seraient pas considérés comme similaires par les recherches traditionnelles basées sur les mots clés, car leurs lettres sont très différentes. Un système d'e-commerce qui souhaite regrouper ces mots clés doit le faire manuellement. Toutefois, les représentations vectorielles de ces deux termes seraient très proches, car ils ont des significations similaires. Cela permettrait de fournir des résultats de recherche plus précis aux utilisateurs et de faire gagner du temps aux développeurs.

De même, si vous prenez deux photos de chats, elles peuvent être très différentes pixel par pixel. Toutefois, les embeddings vectoriels associés les placeraient très près l'une de l'autre dans l'espace mathématique, tout comme un humain identifierait facilement ces deux images de chats :

Pour effectuer cette tâche, un modèle d'embedding transforme les données brutes (images ou texte, par exemple) en embeddings vectoriels. pgvector stocke ces embeddings dans votre base de données. Lorsqu'un utilisateur envoie une requête, cette entrée est également convertie en vecteur. pgvector calcule ensuite la distance entre le vecteur de requête et les vecteurs stockés pour identifier efficacement les "voisins les plus proches" avec les scores de similarité les plus élevés.

Vous souhaitez en savoir plus sur les différents types de recherches des plus proches voisins ? Consultez notre guide sur le développement d'applications d'IA générative.

Pour prendre en charge les fonctionnalités actuelles basées sur l'IA, vous devez pouvoir stocker et gérer les embeddings vectoriels.

PostgreSQL peut être puissant en soi, mais comme ses données sont structurées de manière rigide en tables, lignes et colonnes, ses capacités de requête se limitent en grande partie à la correspondance de mots clés et de modèles.

Dans le monde de l'IA, les données complexes telles que le texte, les images et l'audio sont encodées sous forme de représentations vectorielles. Ces encodages permettent aux modèles d'IA de comprendre le contexte et les relations sémantiques dans vos données, ce qui constitue la base de fonctionnalités telles que la recherche intelligente, les recommandations et l'IA générative.

L'extension pgvector intègre la recherche sémantique à PostgreSQL. Elle utilise des embeddings vectoriels pour trouver des résultats basés sur la signification d'une requête, et non seulement sur la correspondance de mots clés comme le ferait SQL. Ce processus, appelé recherche de similarité, permet d'ajouter facilement des fonctionnalités de recherche avancées directement dans vos applications, sans avoir à restructurer ni à déplacer les données vers une base de données vectorielle distincte.

Vous souhaitez en savoir plus sur les embeddings vectoriels ? Consultez notre guide sur le développement d'applications d'IA générative.

Cloud SQL et AlloyDB pour PostgreSQL sont compatibles avec pgvector, ce qui vous permet de stocker et d'interroger des embeddings vectoriels à l'aide de commandes SQL standards.

Connectez-vous à votre instance Cloud SQL ou AlloyDB à l'aide du client PostgreSQL de votre choix (psql, pgAdmin ou la console Google Cloud, par exemple).

Exécutez la commande SQL suivante pour activer l'extension dans votre base de données. Cette opération n'est à effectuer qu'une seule fois par base de données.

Créez une table (ou modifiez-en une existante) pour inclure une colonne pour les données vectorielles. Vous devez spécifier les dimensions du vecteur. Par exemple, pour créer une table permettant de stocker des embeddings tridimensionnels :

Vous pouvez insérer des embeddings vectoriels comme des données standards. Les vecteurs sont mis en forme en tant que tableaux entre crochets.

Vous pouvez maintenant interroger vos données pour trouver les voisins les plus proches. L'opérateur <-> calcule la distance euclidienne (distance L2), qui est couramment utilisée pour trouver les éléments les plus similaires.

Pour les ensembles de données plus volumineux, l'ajout d'un index peut considérablement améliorer les performances de recherche. Les index HNSW et ScaNN sont des options couramment utilisées. Voici un exemple d'index HNSW :