Un vettore rappresenta i dati numericamente in modo da catturarne le caratteristiche chiave, mappandoli in uno spazio matematico virtuale. In questo spazio, gli elementi simili, come parole, immagini o oggetti, sono posizionati vicini tra loro.

Ad esempio, considera le parole "cappotto" e "giacca". Le ricerche tradizionali basate su parole chiave non collegherebbero queste due parole come simili, perché le loro lettere sono piuttosto diverse. Un sistema di e-commerce che volesse unire queste parole chiave dovrebbe farlo manualmente. Tuttavia, le rappresentazioni vettoriali di questi due termini sarebbero molto simili perché condividono significati simili, fornendo risultati di ricerca più accurati per gli utenti e facendo risparmiare tempo agli sviluppatori.

Allo stesso modo, se scatti due foto diverse di gatti, a livello di pixel potrebbero essere molto diverse. Tuttavia, i loro incorporamenti vettoriali li posizionerebbero molto vicini nello spazio matematico, proprio come un essere umano identificherebbe facilmente entrambe queste immagini come immagini di gatti:

Per far funzionare questo processo, un modello di embedding trasforma i dati non elaborati, come immagini o testo, in vector embedding. pgvector archivia questi embedding nel database. Quando un utente invia una query, anche questo input viene convertito in un vettore. pgvector calcola quindi la distanza tra il vettore della query e i vettori archiviati per identificare in modo efficiente i "vicini più prossimi" con i punteggi di somiglianza più alti.

Per scoprire di più sui diversi tipi di ricerca dei vicini più prossimi, dai un'occhiata alla nostra guida allo sviluppo di app di AI generativa.

Per supportare le funzionalità basate sull'AI di oggi, è necessario poter archiviare e gestire i vector embedding.

PostgreSQL può essere potente da solo, ma poiché i suoi dati sono strutturati in modo rigido in tabelle, righe e colonne, la sua capacità di query è in gran parte limitata alla corrispondenza di parole chiave e pattern.

Nel mondo dell'AI, i dati complessi come testo, immagini e audio vengono codificati come rappresentazioni vettoriali. Queste codifiche consentono ai modelli di AI di comprendere il contesto e le relazioni semantiche all'interno dei dati, costituendo la base di funzionalità come la ricerca intelligente, i consigli e l'AI generativa.

L'estensione pgvector porta la ricerca semantica in PostgreSQL, utilizzando i vector embedding per trovare risultati basati sul significato di una query, anziché solo sulle corrispondenze di parole chiave come farebbe SQL. Questo processo, noto come ricerca di similarità, semplifica l'aggiunta di funzionalità di ricerca avanzate direttamente nelle applicazioni senza la necessità di riprogettare o spostare i dati in un database vettoriale separato.

Per scoprire di più sui vector embedding, dai un'occhiata alla nostra guida allo sviluppo di app di AI generativa.

Cloud SQL e AlloyDB per PostgreSQL supportano pgvector, consentendoti di archiviare ed eseguire query sui vector embedding utilizzando comandi SQL standard.

Utilizza il tuo client PostgreSQL preferito (come psql, pgAdmin o la console Google Cloud) per connetterti alla tua istanza Cloud SQL o AlloyDB.

Esegui il seguente comando SQL per abilitare l'estensione sul tuo database. Devi eseguire questa operazione una sola volta per database.

Crea una nuova tabella (o modifica una tabella esistente) per includere una colonna per i dati vettoriali. Devi specificare le dimensioni del vettore. Ad esempio, per creare una tabella per l'archiviazione di embedding tridimensionali:

Puoi inserire i vector embedding proprio come i dati standard. I vettori sono formattati come array racchiusi tra parentesi quadre.

Ora puoi eseguire query sui dati per trovare gli elementi più prossimi. L'operatore <-> calcola la distanza euclidea (distanza L2), che viene comunemente utilizzata per trovare gli elementi più simili.

Per set di dati più grandi, l'aggiunta di un indice può accelerare in modo significativo le prestazioni di ricerca. Gli indici HNSW e ScaNN sono opzioni di uso comune. Ecco un esempio di HNSW: