ベクトルは、データの主な特徴を捉え、仮想の数学的空間にマッピングする形で、データを数値で表します。この空間では、単語、画像、オブジェクトなどの類似するアイテムは近くに配置されます。

たとえば、「コート」と「ジャケット」という言葉を考えてみましょう。従来のキーワードベースの検索では、これらの文字はかなり異なるため、類似するものとして関連付けられません。これらのキーワードを統合したい e コマース システムでは、手動で統合する必要があります。しかし、この 2 つのベクトル表現は意味が似ているため、非常に近くなります。これにより、ユーザーはより正確な検索結果を得られ、デベロッパーは時間を節約できます。

同様に、猫の写真を 2 枚撮った場合、ピクセル単位で見ると大きく異なる可能性があります。しかし、ベクトル エンベディングでは、数学的空間内でこれらが非常に近くに配置されます。人間がこれらをどちらも猫の画像だと簡単に識別するのと同じです。

これを実現するために、エンベディング モデルは、画像やテキストなどの未加工データをベクトル エンベディングに変換します。pgvector は、これらのエンベディングをデータベースに保存します。ユーザーがクエリを送信すると、その入力もベクトルに変換されます。pgvector は、クエリベクトルと保存されたベクトル間の距離を計算し、最も類似度スコアの高い「最近傍」を効率的に特定します。

さまざまな種類の最近傍検索についてご興味をお持ちですか？生成 AI アプリ開発のためのガイドをご覧ください。

昨今の AI 駆動型機能をサポートするには、ベクトル エンベディングを保存および管理する機能が必要です。

PostgreSQL はそれ自体でも強力ですが、データが表、行、列に厳密に構造化されているため、クエリ機能は主にキーワードとパターン マッチングに限定されます。

AI の世界では、テキスト、画像、音声などの複雑なデータはベクトル表現としてエンコードされます。これらのエンコードにより、AI モデルはデータ内のコンテキストとセマンティックな関係を把握できるようになり、インテリジェント検索、レコメンデーション、生成 AI などの機能のバックボーンを形成します。

pgvector 拡張機能は、ベクトル エンベディングを使用して、SQL のようにキーワードの一致だけでなく、クエリの意味に基づいて結果を見つけることで、セマンティック検索を PostgreSQL にもたらします。類似検索と呼ばれるこのプロセスにより、アプリケーションに検索オプション機能を直接追加することが簡単になり、再アーキテクチャや、データを別のベクトル データベースに移動する必要がなくなります。

ベクトル エンベディングについて詳しくは、生成 AI アプリ開発のためのガイドをご覧ください。

Cloud SQL と AlloyDB for PostgreSQL は pgvector をサポートしているため、標準の SQL コマンドを使用してベクトル エンベディングを保存およびクエリできます。

お好みの PostgreSQL クライアント（psql、pgAdmin、Google Cloud コンソールなど）を使用して、Cloud SQL または AlloyDB インスタンスに接続します。

次の SQL コマンドを実行して、データベースで拡張機能を有効にします。これは、データベースごとに 1 回だけ行います。

ベクトルデータの列を含む新しいテーブルを作成（または既存のテーブルを変更）します。ベクトルの次元を指定する必要があります。たとえば、3 次元のエンベディングを保存するテーブルを作成するには、次のようにします。

ベクトル エンベディングは、標準データと同様に挿入できます。ベクトルは、角かっこで囲まれた配列の形式で指定されます。

これで、データをクエリして最近傍を見つけることができます。<-> 演算子はユークリッド距離（L2 距離）を計算します。これは、最も類似したアイテムを見つけるためによく使用されます。

大規模なデータセットの場合、インデックスを追加すると検索パフォーマンスが大幅に向上します。HNSW インデックスと ScaNN インデックスは、よく使用されるオプションです。以下に HNSW の例を示します。