Gestisci indici

Le sezioni seguenti descrivono come configurare, creare, elencare ed eliminare gli indici.

Panoramica indice

Un indice è un file o più file costituiti dai vettori di embedding. Questi vettori sono realizzati a partire da grandi quantità di dati che vuoi distribuire e interrogare con Vector Search. Con Vector Search, puoi creare due tipi di indici: a seconda di come intendi aggiornarli con i tuoi dati. Puoi creare un indice progettato per gli aggiornamenti batch o un indice progettato per l'aggiornamento in streaming.

Un indice batch è utile quando vuoi aggiornare l'indice in blocco con i dati memorizzati in un determinato periodo di tempo, ad esempio i sistemi elaborati settimanalmente o mensilmente. Un indice in streaming è utile quando vuoi che i dati dell'indice vengano aggiornati man mano che vengono aggiunti nuovi dati al tuo datastore, ad esempio se hai una libreria e vuoi mostrare il nuovo inventario online il prima possibile. Quale che scegli è importante, perché configurazione e requisiti sono diversi.

Configura i parametri indice

Prima di creare un indice, configura i parametri per l'indice.

Ad esempio, crea un file denominato index_metadata.json:

{
  "contentsDeltaUri": "gs://BUCKET_NAME/path",
  "config": {
    "dimensions": 100,
    "approximateNeighborsCount": 150,
    "distanceMeasureType": "DOT_PRODUCT_DISTANCE",
    "shardSize": "SHARD_SIZE_MEDIUM",
    "algorithm_config": {
      "treeAhConfig": {
        "leafNodeEmbeddingCount": 5000,
        "fractionLeafNodesToSearch": 0.03
      }
    }
  }
}

Puoi trovare la definizione di ciascuno di questi campi in Parametri di configurazione dell'indice.

Crea un indice

Dimensioni indice

I dati dell'indice vengono suddivisi in parti uguali chiamate shard per l'elaborazione. Quando devi specificare le dimensioni degli shard da utilizzare. I seguenti sono i formati supportati:

  • SHARD_SIZE_SMALL: 2 GiB per shard.
  • SHARD_SIZE_MEDIUM: 20 GiB per shard.
  • SHARD_SIZE_LARGE: 50 GiB per shard.

I tipi di macchina che puoi utilizzare per eseguire il deployment del tuo indice (utilizzando endpoint pubblici o utilizzando endpoint VPC) dipende dalla dimensione dello shard dell'indice. La tabella seguente mostra lo shard supportate da ogni tipo di macchina:

Tipo di macchina SHARD_SIZE_SMALL SHARD_SIZE_MEDIUM SHARD_SIZE_LARGE
n1-standard-16
n1-standard-32
e2-standard-2 (valore predefinito)
e2-standard-16 (predefinita)
e2-highmem-16 (valore predefinito)
n2d-standard-32

Per scoprire in che modo le dimensioni dei frammenti e il tipo di macchina influiscono sui prezzi, consulta la pagina dei prezzi di Vertex AI.

Crea un indice per l'aggiornamento batch

Segui queste istruzioni per creare e implementare l'indice. Se non disponi di incorporamenti pronti, puoi passare a Creare un indice batch vuoto. Con questa opzione, non sono richiesti dati di incorporamenti al momento della creazione dell'indice.

Per creare un indice:

gcloud

Prima di utilizzare i dati dei comandi riportati di seguito, effettua le seguenti sostituzioni:

  • LOCAL_PATH_TO_METADATA_FILE: il percorso locale del file di metadati.
  • INDEX_NAME: nome visualizzato dell'indice.
  • LOCATION: la regione in cui stai utilizzando Vertex AI.
  • PROJECT_ID: il tuo ID progetto Google Cloud.

Esegui la persone che seguo :

Linux, macOS o Cloud Shell

gcloud ai indexes create \
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE \
    --display-name=INDEX_NAME \
    --region=LOCATION \
    --project=PROJECT_ID

Windows (PowerShell)

gcloud ai indexes create `
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE `
    --display-name=INDEX_NAME `
    --region=LOCATION `
    --project=PROJECT_ID

Windows (cmd.exe)

gcloud ai indexes create ^
    --metadata-file=LOCAL_PATH_TO_METADATA_FILE ^
    --display-name=INDEX_NAME ^
    --region=LOCATION ^
    --project=PROJECT_ID

Dovresti ricevere una risposta simile alla seguente:

You can poll for the status of the operation for the response
to include "done": true. Use the following example to poll the status.

  $ gcloud ai operations describe 1234567890123456789 --project=my-test-project --region=us-central1

Consulta gcloud ai operations per scoprire di più sul comando describe.

REST

Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:

  • INPUT_DIR: il percorso della directory Cloud Storage dei contenuti dell'indice.
  • INDEX_NAME: nome visualizzato dell'indice.
  • LOCATION: la regione in cui utilizzi Vertex AI.
  • PROJECT_ID: il tuo ID progetto Google Cloud.
  • PROJECT_NUMBER: il numero di progetto generato automaticamente per il tuo progetto.

Metodo HTTP e URL: 

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes

Corpo JSON della richiesta: 

{
  "display_name": "INDEX_NAME",
  "metadata": {
    "contentsDeltaUri": "INPUT_DIR",
    "config": {
      "dimensions": 100,
      "approximateNeighborsCount": 150,
      "distanceMeasureType": "DOT_PRODUCT_DISTANCE",
      "algorithm_config": {
        "treeAhConfig": {
          "leafNodeEmbeddingCount": 500,
          "leafNodesToSearchPercent": 7
        }
      }
    }
  }
}

Per inviare la richiesta, espandi una di queste opzioni:

Dovresti ricevere una risposta JSON simile alla seguente:

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.CreateIndexOperationMetadata",
    "genericMetadata": {
      "createTime": "2022-01-08T01:21:10.147035Z",
      "updateTime": "2022-01-08T01:21:10.147035Z"
    }
  }
}

Terraform

L'esempio seguente utilizza la risorsa Terraform google_vertex_ai_index per creare un indice per gli aggiornamenti batch.

Per scoprire come applicare o rimuovere una configurazione Terraform, consulta Comandi Terraform di base.

# Cloud Storage bucket name must be unique
resource "random_id" "bucket_name_suffix" {
  byte_length = 8
}

# Create a Cloud Storage bucket
resource "google_storage_bucket" "bucket" {
  name                        = "vertex-ai-index-bucket-${random_id.bucket_name_suffix.hex}"
  location                    = "us-central1"
  uniform_bucket_level_access = true
}

# Create index content
resource "google_storage_bucket_object" "data" {
  name    = "contents/data.json"
  bucket  = google_storage_bucket.bucket.name
  content = <<EOF
{"id": "42", "embedding": [0.5, 1.0], "restricts": [{"namespace": "class", "allow": ["cat", "pet"]},{"namespace": "category", "allow": ["feline"]}]}
{"id": "43", "embedding": [0.6, 1.0], "restricts": [{"namespace": "class", "allow": ["dog", "pet"]},{"namespace": "category", "allow": ["canine"]}]}
EOF
}

resource "google_vertex_ai_index" "default" {
  region       = "us-central1"
  display_name = "sample-index-batch-update"
  description  = "A sample index for batch update"
  labels = {
    foo = "bar"
  }

  metadata {
    contents_delta_uri = "gs://${google_storage_bucket.bucket.name}/contents"
    config {
      dimensions                  = 2
      approximate_neighbors_count = 150
      distance_measure_type       = "DOT_PRODUCT_DISTANCE"
      algorithm_config {
        tree_ah_config {
          leaf_node_embedding_count    = 500
          leaf_nodes_to_search_percent = 7
        }
      }
    }
  }
  index_update_method = "BATCH_UPDATE"

  timeouts {
    create = "2h"
    update = "1h"
  }
}

Python

Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, consulta Installare l'SDK Vertex AI per Python. Per saperne di più, consulta la documentazione di riferimento dell'API Python. 

def vector_search_create_index(
    project: str, location: str, display_name: str, gcs_uri: Optional[str] = None
) -> None:
    """Create a vector search index.

    Args:
        project (str): Required. Project ID
        location (str): Required. The region name
        display_name (str): Required. The index display name
        gcs_uri (str): Optional. The Google Cloud Storage uri for index content
    """
    # Initialize the Vertex AI client
    aiplatform.init(project=project, location=location, staging_bucket=gcs_uri)

    # Create Index
    index = aiplatform.MatchingEngineIndex.create_tree_ah_index(
        display_name=display_name,
        description="Matching Engine Index",
        dimensions=100,
        approximate_neighbors_count=150,
        leaf_node_embedding_count=500,
        leaf_nodes_to_search_percent=7,
        index_update_method="batch_update",  # Options: stream_update, batch_update
        distance_measure_type=aiplatform.matching_engine.matching_engine_index_config.DistanceMeasureType.DOT_PRODUCT_DISTANCE,
    )

    print(index.name)

Console

Utilizza queste istruzioni per creare un indice per gli aggiornamenti batch.

  1. Nella sezione Vertex AI della console Google Cloud, vai a nella sezione Deployment e utilizzo. Seleziona Ricerca vettoriale.

    Vai a Ricerca vettoriale

  2. Fai clic su Crea un nuovo indice per aprire il riquadro Indice. Viene visualizzato il riquadro Crea un nuovo indice.
  3. Nel campo Nome visualizzato, fornisci un nome per identificare in modo univoco l'indice.
  4. Nel campo Descrizione, fornisci una descrizione di ciò a cui è rivolto l'indice.
  5. Nel campo Regione, seleziona una regione dall'elenco a discesa.
  6. Nel campo Cloud Storage, cerca e seleziona Cloud Storage in cui sono archiviati i tuoi dati vettoriali.
  7. Nel menu a discesa Tipo di algoritmo, seleziona il tipo di algoritmo Vector Search utilizza le ricerche in modo efficiente. Se selezioni il l'algoritmo TreeAh, inserisci il numero approssimativo di vicini.
  8. Nel campo Dimensioni, inserisci il numero delle dimensioni vettori di input.
  9. Nel campo Metodo di aggiornamento, seleziona Batch.
  10. Nel campo Dimensione shard, seleziona lo shard dal menu a discesa la dimensione desiderata.
  11. Fai clic su Crea. Il nuovo indice viene visualizzato nell'elenco degli indici quando è pronto. Nota: il completamento del tempo di compilazione può richiedere fino a un'ora.

Crea un indice batch vuoto

Per creare ed eseguire immediatamente il deployment dell'indice, puoi creare un indice batch vuoto. Con questa opzione, non sono richiesti dati di incorporamenti al momento della creazione dell'indice.

Per creare un indice vuoto, la richiesta è quasi identica alla creazione di un indice per gli aggiornamenti batch. La differenza è che rimuovi il campo contentsDeltaUri poiché non stai collegando una località dei dati. Ecco un esempio di indice batch vuoto:

Esempio di richiesta di indice vuota

{
  "display_name": INDEX_NAME,
  "indexUpdateMethod": "BATCH_UPDATE",
  "metadata": {
    "config": {
      "dimensions": 100,
      "approximateNeighborsCount": 150,
      "distanceMeasureType": "DOT_PRODUCT_DISTANCE",
      "algorithm_config": {
        "treeAhConfig": {
          "leafNodeEmbeddingCount": 500,
          "leafNodesToSearchPercent": 7
        }
      }
    }
  }
}

Creare un indice per gli aggiornamenti in streaming

Segui queste istruzioni per creare e implementare l'indice di streaming. Se non hai ancora preparato gli incorporamenti, vai a Creare un indice vuoto per gli aggiornamenti in streaming. Con questa opzione, non sono richiesti dati di embedding al momento della creazione dell'indice.

REST

Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:

  • INDEX_NAME: nome visualizzato dell'indice.
  • DESCRIPTION: una descrizione dell'indice.
  • INPUT_DIR: il percorso della directory Cloud Storage dei contenuti dell'indice.
  • DIMENSIONS: numero di dimensioni del vettore di incorporamento.
  • PROJECT_ID: il tuo ID progetto Google Cloud.
  • PROJECT_NUMBER: il numero del progetto generato automaticamente.
  • LOCATION: la regione in cui stai utilizzando Vertex AI.

Metodo HTTP e URL: 

POST https://ENDPOINT-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes

Corpo JSON della richiesta: 

{
  displayName: "INDEX_NAME",
  description: "DESCRIPTION",
  metadata: {
     contentsDeltaUri: "INPUT_DIR",
     config: {
        dimensions: "DIMENSIONS",
        approximateNeighborsCount: 150,
        distanceMeasureType: "DOT_PRODUCT_DISTANCE",
        algorithmConfig: {treeAhConfig: {leafNodeEmbeddingCount: 10000, leafNodesToSearchPercent: 2}}
     },
  },
  indexUpdateMethod: "STREAM_UPDATE"
}

Per inviare la richiesta, espandi una di queste opzioni:

Dovresti ricevere una risposta JSON simile alla seguente:

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.ui.CreateIndexOperationMetadata",
    "genericMetadata": {
      "createTime": "2023-12-05T23:17:45.416117Z",
      "updateTime": "2023-12-05T23:17:45.416117Z",
      "state": "RUNNING",
      "worksOn": [
        "projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID"
      ]
    }
  }
}

Console

Segui queste istruzioni per creare un indice per gli aggiornamenti in streaming nella console Google Cloud.

Per creare un indice disponibile per gli aggiornamenti in modalità flusso richiede passaggi simili a quelli per la configurazione di un indice di aggiornamento batch, ad eccezione del fatto che devi impostare indexUpdateMethod su STREAM_UPDATE.

  1. Nella sezione Vertex AI della console Google Cloud, vai alla sezione Esegui il deployment e utilizza. Seleziona Vector Search (Ricerca vettoriale).

    Vai a Ricerca vettoriale

  2. Fai clic su Crea nuovo indice per aprire il riquadro Indice. Viene visualizzato il riquadro Crea un nuovo indice.
  3. Nel campo Nome visualizzato, fornisci un nome per identificare in modo univoco il tuo indice.
  4. Nel campo Descrizione, fornisci una descrizione della finalità dell'indice.
  5. Nel campo Regione, seleziona una regione dal menu a discesa.
  6. Nel campo Cloud Storage, cerca e seleziona la cartella Cloud Storage in cui sono archiviati i tuoi dati vettoriali.
  7. Nel menu a discesa Tipo di algoritmo, seleziona il tipo di algoritmo utilizzato da Vector Search. che verrà utilizzato per eseguire la ricerca. Se selezioni il l'algoritmo TreeAh, inserisci il numero approssimativo di vicini.
  8. Nel campo Dimensioni, inserisci il numero di dimensioni dei vettori di input.
  9. Nel campo Metodo di aggiornamento, seleziona Stream.
  10. Nel campo Dimensione frammento, seleziona la dimensione del frammento che preferisci dal menu a discesa.
  11. Fai clic su Crea. Il nuovo indice viene visualizzato nell'elenco degli indici quando è pronto. Nota: il completamento del tempo di compilazione può richiedere fino a un'ora.

Python

Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, consulta Installare l'SDK Vertex AI per Python. Per ulteriori informazioni, consulta documentazione di riferimento dell'API Python. 

def vector_search_create_streaming_index(
    project: str, location: str, display_name: str, gcs_uri: Optional[str] = None
) -> None:
    """Create a vector search index.

    Args:
        project (str): Required. Project ID
        location (str): Required. The region name
        display_name (str): Required. The index display name
        gcs_uri (str): Optional. The Google Cloud Storage uri for index content
    """
    # Initialize the Vertex AI client
    aiplatform.init(project=project, location=location, staging_bucket=gcs_uri)

    # Create Index
    index = aiplatform.MatchingEngineIndex.create_tree_ah_index(
        display_name=display_name,
        description="Matching Engine Index",
        dimensions=100,
        approximate_neighbors_count=150,
        leaf_node_embedding_count=500,
        leaf_nodes_to_search_percent=7,
        index_update_method="stream_update",  # Options: stream_update, batch_update
        distance_measure_type=aiplatform.matching_engine.matching_engine_index_config.DistanceMeasureType.DOT_PRODUCT_DISTANCE,
    )

    print(index.name)

Creare un indice vuoto per gli aggiornamenti in streaming

Per creare ed eseguire subito il deployment dell'indice, puoi creare un indice vuoto per il flusso di dati. Con questa opzione, non sono richiesti dati di embedding al momento della creazione dell'indice.

Per creare un indice vuoto, la richiesta è quasi identica alla creazione di un indice per lo streaming. La differenza è che rimuovi il campo contentsDeltaUri, poiché non colleghi una posizione dei dati. Ecco un esempio di indice di streaming vuoto:

Esempio di richiesta di indice vuota

{
  "display_name": INDEX_NAME,
  "indexUpdateMethod": "STREAM_UPDATE",
  "metadata": {
    "config": {
      "dimensions": 100,
      "approximateNeighborsCount": 150,
      "distanceMeasureType": "DOT_PRODUCT_DISTANCE",
      "algorithm_config": {
        "treeAhConfig": {
          "leafNodeEmbeddingCount": 500,
          "leafNodesToSearchPercent": 7
        }
      }
    }
  }
}

Elenca indici

gcloud

Prima di utilizzare uno qualsiasi dei dati di comando riportati di seguito, effettua le seguenti sostituzioni:

  • INDEX_NAME: nome visualizzato dell'indice.
  • LOCATION: la regione in cui utilizzi Vertex AI.
  • PROJECT_ID: il tuo ID progetto Google Cloud.

Esegui il seguente comando:

Linux, macOS o Cloud Shell

gcloud ai indexes list \
    --region=LOCATION \
    --project=PROJECT_ID

Windows (PowerShell)

gcloud ai indexes list `
    --region=LOCATION `
    --project=PROJECT_ID

Windows (cmd.exe)

gcloud ai indexes list ^
    --region=LOCATION ^
    --project=PROJECT_ID

Dovresti ricevere una risposta simile alla seguente:

You can poll for the status of the operation for the response
to include "done": true. Use the following example to poll the status.

  $ gcloud ai operations describe 1234567890123456789 --project=my-test-project --region=us-central1

Consulta gcloud ai operations per scoprire di più sul comando describe.

REST

Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:

  • INDEX_NAME: nome visualizzato dell'indice.
  • LOCATION: la regione in cui stai utilizzando Vertex AI.
  • PROJECT_ID: il tuo ID progetto Google Cloud.
  • PROJECT_NUMBER: il numero di progetto generato automaticamente per il tuo progetto.

Metodo HTTP e URL: 

GET https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/indexes

Per inviare la richiesta, espandi una delle seguenti opzioni:

Dovresti ricevere una risposta JSON simile alla seguente:

{
 "indexes": [
   {
     "name": "projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID",
     "displayName": "INDEX_NAME",
     "metadataSchemaUri": "gs://google-cloud-aiplatform/schema/matchingengine/metadata/nearest_neighbor_search_1.0.0.yaml",
     "metadata": {
       "config": {
         "dimensions": 100,
         "approximateNeighborsCount": 150,
         "distanceMeasureType": "DOT_PRODUCT_DISTANCE",
         "featureNormType": "NONE",
         "algorithmConfig": {
           "treeAhConfig": {
             "maxLeavesToSearch": 50,
             "leafNodeCount": 10000
           }
         }
       }
     },
     "etag": "AMEw9yNU8YX5IvwuINeBkVv3yNa7VGKk11GBQ8GkfRoVvO7LgRUeOo0qobYWuU9DiEc=",
     "createTime": "2020-11-08T21:56:30.558449Z",
     "updateTime": "2020-11-08T22:39:25.048623Z"
   }
 ]
}

Console

Segui queste istruzioni per visualizzare un elenco dei tuoi indici.

  1. Nella sezione Vertex AI della console Google Cloud, vai a nella sezione Deployment e utilizzo. Seleziona Ricerca vettoriale.

    Vai a Ricerca vettoriale

  2. Viene visualizzato un elenco degli indici attivi.

Ottimizzazione dell'indice

L'ottimizzazione dell'indice richiede l'impostazione dei parametri di configurazione che influiscono delle prestazioni degli indici di cui è stato eseguito il deployment, in particolare richiamo e latenza. Questi vengono impostati al momento della creazione dell'indice. Puoi usare indici di forza bruta per misurare il richiamo.

Parametri di configurazione che influiscono sulle prestazioni

I seguenti parametri di configurazione possono essere impostati al momento della creazione dell'indice e possono influire su richiamo, latenza, disponibilità e costi quando utilizzi Ricerca vettoriale. Queste indicazioni si applicano alla maggior parte dei casi. Tuttavia, sempre fai esperimenti con le tue configurazioni per assicurarti che siano adatte alle tue esigenze per verificare se è così.

Per le definizioni dei parametri, consulta Parametri di configurazione dell'indice.

Parametro Informazioni Impatto sulle prestazioni
shardSize

Controlla la quantità di dati su ogni macchina.

Quando scegli le dimensioni di uno shard, stima le dimensioni del tuo set di dati in futuro. Se le dimensioni del set di dati hanno un limite superiore, scegli la dimensione dello shard appropriata per adattarlo. Se non esiste un limite superiore o se il tuo caso d'uso è estremamente sensibile alla variabilità della latenza, ti consigliamo di scegliere una dimensione dello shard grande.

Se configuri la configurazione per un numero maggiore di shard più piccoli, una dimensione di risultati candidati viene elaborato durante la ricerca. Possono essere più shard influisce sulle prestazioni nei seguenti modi:

  • Richiamo: aumentato
  • Latenza: potenzialmente aumentata, maggiore variabilità
  • Disponibilità: le interruzioni degli shard interessano una percentuale inferiore di dati
  • Costo: può aumentare se la stessa macchina viene utilizzata con più shard

Se esegui la configurazione per un numero inferiore di shard più grandi, vengono elaborati i risultati della ricerca. Può influire su un numero inferiore di shard il rendimento degli annunci nei seguenti modi:

  • Richiamo: diminuito
  • Latenza: ridotta, meno variabilità
  • Disponibilità: le interruzioni degli shard interessano una percentuale maggiore di dati
  • Costo: può diminuire se viene utilizzata la stessa macchina con meno shard
distanceMeasureType

Determina l'algoritmo utilizzato per il calcolo della distanza tra i punti di dati e il vettore di query.

Le seguenti impostazioni distanceMeasureType possono contribuire a ridurre la latenza delle query:

  • DOT_PRODUCT_DISTANCE è la modalità più ottimizzata per ridurre la latenza
  • DOT_PRODUCT_DISTANCE combinato con l'impostazione Da FeatureNormType a UNIT_L2_NORM consigliato per la somiglianza coseno
leafNodeEmbeddingCount

Il numero di incorporamenti per ogni nodo foglia. Per impostazione predefinita, questo numero è impostato su 1000.

In genere, la modifica del valore di leafNodeEmbeddingCount ha ha un minore effetto rispetto alla modifica del valore di altri parametri.

Aumentare il numero di incorporamenti per ciascun nodo foglia può ridurre ma riduce la qualità del richiamo. Può influire sulle prestazioni nel nei seguenti modi:

  • Richiamo: diminuita a causa di una ricerca meno mirata
  • Latenza: ridotta, a condizione che il valore non sia superiore a 15.000 per la maggior parte dei casi d'uso
  • Disponibilità: nessun impatto
  • Costo: può diminuire perché sono necessarie meno repliche per lo stesso QPS

La riduzione del numero di incorporamenti per ciascun nodo foglia può influire sul rendimento nei seguenti modi:

  • Rilevamento: può aumentare perché vengono raccolti più elementi più mirati
  • Latenza: aumentata
  • Disponibilità: nessun impatto
  • Costo: può aumentare perché sono necessarie più repliche per la stessa QPS

Utilizzo di un indice di forza bruta per misurare il richiamo.

Per ottenere i vicini più prossimi esatti, utilizza gli indici con l'algoritmo di forza bruta. L'algoritmo di forza bruta fornisce il 100% di richiamo, a scapito di una latenza più elevata. L'utilizzo di un indice di forza bruta per misurare il richiamo in genere non è una buona scelta per la pubblicazione di annunci di produzione, ma potrebbe essere utile per valutare il richiamo di varie opzioni di indicizzazione offline.

Per creare un indice con l'algoritmo di forza bruta, specifica brute_force_config nei metadati dell'indice:

curl -X POST -H "Content-Type: application/json" \
-H "Authorization: Bearer `gcloud auth print-access-token`" \
https://us-central1-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/us-central1/indexes \
-d '{
    displayName: "'${DISPLAY_NAME}'",
    description: "'${DESCRIPTION}'",
    metadata: {
       contentsDeltaUri: "'${INPUT_DIR}'",
       config: {
          dimensions: 100,
          approximateNeighborsCount: 150,
          distanceMeasureType: "DOT_PRODUCT_DISTANCE",
          featureNormType: "UNIT_L2_NORM",
          algorithmConfig: {
             bruteForceConfig: {}
          }
       },
    },
}'

Eliminare un indice

gcloud

Prima di utilizzare uno qualsiasi dei dati di comando riportati di seguito, effettua le seguenti sostituzioni:

  • INDEX_ID: l'ID dell'indice.
  • LOCATION: la regione in cui stai utilizzando Vertex AI.
  • PROJECT_ID: il tuo ID progetto Google Cloud.

Esegui la persone che seguo :

Linux, macOS o Cloud Shell

gcloud ai indexes delete INDEX_ID \
    --region=LOCATION \
    --project=PROJECT_ID

Windows (PowerShell)

gcloud ai indexes delete INDEX_ID `
    --region=LOCATION `
    --project=PROJECT_ID

Windows (cmd.exe)

gcloud ai indexes delete INDEX_ID ^
    --region=LOCATION ^
    --project=PROJECT_ID

REST

Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:

  • INDEX_ID: l'ID dell'indice.
  • LOCATION: la regione in cui utilizzi Vertex AI.
  • PROJECT_ID: il tuo ID progetto Google Cloud.
  • PROJECT_NUMBER: il numero di progetto generato automaticamente per il tuo progetto.

Metodo HTTP e URL: 

DELETE https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID

Per inviare la richiesta, espandi una delle seguenti opzioni:

Dovresti ricevere una risposta JSON simile alla seguente:

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/indexes/INDEX_ID/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.aiplatform.v1.DeleteOperationMetadata",
    "genericMetadata": {
      "createTime": "2022-01-08T02:35:56.364956Z",
      "updateTime": "2022-01-08T02:35:56.364956Z"
    }
  },
  "done": true,
  "response": {
    "@type": "type.googleapis.com/google.protobuf.Empty"
  }
}

Console

Segui queste istruzioni per eliminare uno o più indici.

  1. Nella sezione Vertex AI della console Google Cloud, vai alla sezione Esegui il deployment e utilizza. Seleziona Vector Search (Ricerca vettoriale).

    Vai a Ricerca vettoriale

  2. Viene visualizzato un elenco degli indici attivi.
  3. Per eliminare un indice, vai a Opzioni di che si trova nella stessa riga dell'indice e seleziona Elimina.

Passaggi successivi