Um vetor representa dados numericamente de uma forma que captura as principais características, mapeando-os em um espaço matemático virtual. Nesse espaço, itens semelhantes, como palavras, imagens ou objetos, são posicionados próximos uns dos outros.

Por exemplo, considere as palavras "casaco" e "jaqueta". As pesquisas tradicionais baseadas em palavras-chave não conectariam essas duas palavras como semelhantes, porque as letras são bem diferentes. Um sistema de e-commerce que quer unir essas palavras-chave precisa fazer isso manualmente. No entanto, as representações vetoriais dos dois seriam muito próximas porque compartilham significados semelhantes, o que oferece resultados de pesquisa mais precisos para os usuários e economiza tempo para os desenvolvedores.

Da mesma forma, se você tirar duas fotos diferentes de gatos, elas podem ser muito diferentes pixel por pixel. No entanto, os embeddings de vetor os colocariam muito próximos no espaço matemático, assim como um humano identificaria facilmente ambos como imagens de gatos:

Para que isso funcione, um modelo de embedding transforma dados brutos, como imagens ou texto, em embeddings vetoriais. O pgvector armazena esses embeddings no seu banco de dados. Quando um usuário envia uma consulta, essa entrada também é convertida em um vetor. O pgvector calcula a distância entre o vetor de consulta e os vetores armazenados para identificar com eficiência os "vizinhos mais próximos" com as pontuações de similaridade mais altas.

Quer saber mais sobre os diferentes tipos de pesquisa de vizinhos mais próximos? Confira nosso guia para o desenvolvimento de apps de IA generativa.

Para oferecer compatibilidade com os recursos atuais baseados em IA, você precisa da capacidade de armazenar e gerenciar incorporações vetoriais.

O PostgreSQL pode ser poderoso por si só, mas como os dados são rigidamente estruturados em tabelas, linhas e colunas, a capacidade de consulta é amplamente limitada à correspondência de palavras-chave e padrões.

No mundo da IA, dados complexos como texto, imagens e áudio são codificados como representações vetoriais. Essas codificações permitem que os modelos de IA compreendam o contexto e as relações semânticas nos seus dados, formando a base de recursos como pesquisa inteligente, recomendações e IA generativa.

A extensão pgvector traz a pesquisa semântica para o PostgreSQL, usando embeddings de vetores para encontrar resultados com base no significado de uma consulta, em vez de apenas correspondências de palavras-chave como o SQL faria. Esse processo, conhecido como pesquisa de similaridade, facilita a adição de recursos avançados de pesquisa diretamente aos seus aplicativos sem precisar reprojetar ou mover dados para um banco de dados vetorial separado.

Quer saber mais sobre embeddings de vetor? Confira nosso guia para o desenvolvimento de apps de IA generativa.

O Cloud SQL e o AlloyDB para PostgreSQL são compatíveis com o pgvector, permitindo que você armazene e consulte embeddings de vetor usando comandos SQL padrão.

Use seu cliente PostgreSQL preferido (como psql, pgAdmin ou o console do Google Cloud) para se conectar à sua instância do Cloud SQL ou AlloyDB.

Execute o seguinte comando SQL para ativar a extensão no seu banco de dados. Você só precisa fazer isso uma vez por banco de dados.

Crie uma nova tabela (ou altere uma já existente) para incluir uma coluna para dados vetoriais. Você precisa especificar as dimensões do vetor. Por exemplo, para criar uma tabela para armazenar embeddings tridimensionais:

É possível inserir embeddings de vetor como dados padrão. Os vetores são formatados como matrizes entre colchetes.

Agora você pode consultar seus dados para encontrar os vizinhos mais próximos. O operador <-> calcula a distância euclidiana (distância L2), que é comumente usada para encontrar os itens mais semelhantes.

Para conjuntos de dados maiores, adicionar um índice pode acelerar significativamente o desempenho da pesquisa. Os índices HNSW e ScaNN são opções usadas com frequência. Aqui está um exemplo de HNSW: