AlloyDB AI משלב עיבוד וקטורי וחיפוש דמיון ישירות ב-AlloyDB ל-PostgreSQL, ומאפשר לשלוח שאילתות גם לנתונים רלציוניים מובְנים וגם לנתונים לא מובְנים לפי משמעות סמנטית. השילוב של יכולות SQL סטנדרטיות עם הוספה לאינדקס של Approximate Nearest Neighbor (ANN) מאפשר ל-AlloyDB AI לתמוך בתהליכי עבודה של חיפוש סמנטי ו-Retrieval-Augmented Generation (RAG), בלי שתצטרכו לפרוס ולנהל מסד נתונים וקטורי נפרד.
ארכיטקטורה וביצועים של הליבה
AlloyDB משתמש בתוסף pgvector של PostgreSQL לפונקציונליות של וקטורים. הוא תומך באינדקס HNSW הפופולרי, וגם באינדקס Scalable Nearest Neighbors (ScaNN), אלגוריתם חיפוש וקטורי מתקדם שמבוסס על שנים של מחקר בחיפוש Google. השילוב העמוק הזה בסביבת PostgreSQL מאפשר לבצע פעולות במהירות גבוהה שתואמות ל-pgvector, וגם שאילתות סמנטיות מתקדמות.
ביצועי האינדקס של ScaNN
אינדקס ScaNN מציע יתרונות מהירות משמעותיים בהשוואה לאינדקס HNSW (עולמות קטנים ניתנים לניווט היררכי) הרגיל של PostgreSQL, ומספק פעולות וקטוריות מהירות שנדרשות לעומסי עבודה תובעניים של AI:
| פעולה | שיפור בביצועים (בהשוואה לאינדקס HNSW רגיל של PostgreSQL) | תכונות |
|---|---|---|
| יצירת אינדקס | מהירות גבוהה עד פי 10 | יצירת אינדקס מקביל |
| שאילתות חיפוש וקטורי | עד פי 4 יותר מהר | תחזוקה אוטומטית של אינדקסים |
| שאילתות חיפוש וקטורי מסוננות | עד פי 10 יותר מהר | ניראות ברמה שמתאימה לארגונים |
סינון דינמי ואופטימיזציה של שאילתות
האינדקס של ScaNN משולב באופן עמוק עם מתכנן השאילתות של PostgreSQL כדי להבטיח ביצועים אופטימליים לשאילתות היברידיות שכוללות גם דמיון וקטורי וגם מסנני מטא-נתונים מובְנים סטנדרטיים:
- סינון דינמי: מבטיח ביצועים אופטימליים כשמשתמשים במסננים, בצירופים ובאינדקסים וקטוריים בו-זמנית. הוא פועל על ידי מעקב אחרי הנתונים הסטטיסטיים של ביצוע השאילתות בזמן הריצה, למידת הסלקטיביות של המסננים והתאמת תוכנית הביצוע כדי לקבוע את הסדר היעיל ביותר של הפעלת המסננים והחיפוש הווקטורי.
- סינון מוטבע: סינון שספציפי לאלגוריתם ScaNN. זו אסטרטגיית אופטימיזציה שמבצעת חיפוש וקטורי והערכת מסנן מטא-נתונים במקביל. הוא משתמש באינדקסים משניים של PostgreSQL (כמו B-trees, GIN או GiST) כדי ליצור רשימה קצרה (מפת סיביות) של שורות שעומדות בקריטריונים של הסינון. בסריקת הווקטורים הבאה, המערכת מחשבת רק את המרחקים של הווקטורים שנמצאים בקבוצה שעברה סינון מקדים. כך מצטמצם משמעותית העומס החישובי, במיוחד כשהמסננים סלקטיביים במידה בינונית.
שילוב חלק עם Gemini Enterprise Agent Platform
AlloyDB AI מתוכנן לשילוב מובנה עם סביבת העבודה של Agent Platform, ומאפשר לבצע טרנספורמציה והעשרה של נתונים ישירות בתוך מסד הנתונים באמצעות SQL.
יצירת הטמעות נתונים אוטומטיות
הפלטפורמה תומכת ביצירת הטמעות אוטומטיות באמצעות התוסף google_ml_integration. היכולת הזו מאפשרת להמיר נתונים תפעוליים (טקסט, תמונות וסרטונים) להטמעת וקטורים באמצעות מודלים של Agent Platform, כמו text-embedding-005:
- רישום מודלים: מודלים של Agent Platform (הטמעה וגנרטיביים) רשומים במסד הנתונים באמצעות הפרוצדורה
google_ml.create_model. - עמודות וירטואליות: אפשר ליצור באופן אוטומטי הטמעות ולשמור אותן בעמודה שנוצרה באמצעות הפונקציה
embedding(), כדי לוודא שנתוני הווקטורים יישארו מסונכרנים עם נתוני עמודת המקור:
ALTER TABLE my_table
ADD COLUMN embedding vector(768)
GENERATED ALWAYS AS (embedding('text-embedding-005', source_column)) STORED;
שאילתות והעשרה באמצעות AI גנרטיבי
אחרי ששומרים את הטמעות הווקטורים, המפתחים יכולים לבצע חיפושים סמנטיים מתוחכמים באמצעות אופרטור הדמיון הווקטורי (<=>) ב-SQL סטנדרטי. בנוסף, אפשר להעביר את תוצאות החיפושים האלה ישירות למודלים של AI גנרטיבי, כמו gemini-3.5-flash-lite, באמצעות פונקציות כמו ai.generate או google_ml.predict_row להעשרת שאילתות שמבוססות על RAG וליצירת פלט ידידותי למשתמש.