Consulta cómo ajustar los siguientes índices vectoriales para conseguir un rendimiento de las consultas más rápido y una mejor recuperación en AlloyDB para PostgreSQL:
También puedes analizar tus consultas y ver las métricas de los índices vectoriales para monitorizar y mejorar el rendimiento de las consultas.
Ajustar un índice de HNSW
Ajustar los valores que definas para los parámetros m, ef_construction y hnsw.ef_search puede ayudarte a optimizar el rendimiento de la aplicación.
| Parámetro de ajuste | Descripción | Tipo de parámetro |
|---|---|---|
m |
Número máximo de conexiones por nodo del gráfico. Puedes empezar con el valor predeterminado 16(predeterminado) y probar con valores más altos en función del tamaño de tu conjunto de datos. |
Creación de índices |
ef_construction |
Tamaño de la lista de candidatos dinámicos que se mantiene durante la construcción del gráfico, que actualiza constantemente los mejores candidatos actuales para los vecinos más cercanos de un nodo. Asigne a este valor cualquier valor superior al doble del valor m. Por ejemplo, 64(valor predeterminado). |
Creación de índices |
ef_search |
Tamaño de la lista de candidatos dinámicos que se usa durante la búsqueda. Puedes empezar a definir este valor como m o ef_construction y, a continuación, cambiarlo mientras observas la recuperación. El valor predeterminado es 40. |
Tiempo de ejecución de la consulta |
En el siguiente ejemplo se muestra un índice hnsw con los parámetros de ajuste definidos:
SET LOCAL hnsw.ef_search = 40;
CREATE INDEX my-hnsw-index ON my-table
USING hnsw (vector_column cosine)
WITH (m = 16, ef_construction = 200);
Analizar las consultas
Usa el comando EXPLAIN ANALYZE para analizar las estadísticas de tus consultas, tal como se muestra en la siguiente consulta SQL de ejemplo.
EXPLAIN ANALYZE SELECT result-column
FROM my-table
ORDER BY EMBEDDING_COLUMN <=> embedding('text-embedding-005', 'What is a database?')::vector
LIMIT 1;
La respuesta de ejemplo QUERY PLAN incluye información como el tiempo empleado, el número de filas analizadas o devueltas y los recursos utilizados.
Limit (cost=0.42..15.27 rows=1 width=32) (actual time=0.106..0.132 rows=1 loops=1)
-> Index Scan using my-scann-index on my-table (cost=0.42..858027.93 rows=100000 width=32) (actual time=0.105..0.129 rows=1 loops=1)
Order By: (embedding_column <=> embedding('text-embedding-005', 'What is a database?')::vector(768))
Limit value: 1
Planning Time: 0.354 ms
Execution Time: 0.141 ms
Ver métricas de índice vectorial
Puede usar las métricas de índice vectorial para revisar el rendimiento de su índice vectorial, identificar áreas de mejora y ajustar su índice en función de las métricas, si es necesario.
Para ver todas las métricas del índice vectorial, ejecuta la siguiente consulta SQL, que usa la vista pg_stat_ann_indexes:
SELECT * FROM pg_stat_ann_indexes;
Verá un resultado similar al siguiente:
-[ RECORD 1 ]----------+---------------------------------------------------------------------------
relid | 271236
indexrelid | 271242
schemaname | public
relname | t1
indexrelname | t1_ix1
indextype | scann
indexconfig | {num_leaves=100,quantizer=SQ8}
indexsize | 832 kB
indexscan | 0
insertcount | 250
deletecount | 0
updatecount | 0
partitioncount | 100
distribution | {"average": 3.54, "maximum": 37, "minimum": 0, "outliers": [37, 12, 11, 10, 10, 9, 9, 9, 9, 9]}
distributionpercentile |{"10": { "num_vectors": 0, "num_partitions": 0 }, "25": { "num_vectors": 0, "num_partitions": 30 }, "50": { "num_vectors": 3, "num_partitions": 30 }, "75": { "num_vectors": 5, "num_partitions": 19 }, "90": { "num_vectors": 7, "num_partitions": 11 }, "95": { "num_vectors": 9, "num_partitions": 5 }, "99": { "num_vectors": 12, "num_partitions": 4 }, "100": { "num_vectors": 37, "num_partitions": 1 }}
Para obtener más información sobre la lista completa de métricas, consulta el artículo Métricas del índice de Vector.