AlloyDB AI integra l'elaborazione vettoriale e la ricerca di somiglianza direttamente in AlloyDB per PostgreSQL, consentendoti di eseguire query sia su dati relazionali strutturati che su dati non strutturati in base al significato semantico. Combinando le funzionalità SQL standard con l'indicizzazione Approximate Nearest Neighbor (ANN), AlloyDB AI supporta la ricerca semantica e i workflow di Retrieval-Augmented Generation (RAG) senza richiedere il deployment e la gestione di un database vettoriale separato.
Architettura e prestazioni di base
AlloyDB utilizza l'estensione pgvector di PostgreSQL per la funzionalità vettoriale. Supporta il popolare indice HNSW e l'indice ScaNN (Scalable Nearest Neighbors), un algoritmo di Vector Search allo stato dell'arte derivato da anni di ricerca sulla Ricerca Google. Questa profonda integrazione nell'ambiente PostgreSQL consente operazioni ad alta velocità compatibili con pgvector e query semantiche avanzate.
Prestazioni dell'indice ScaNN
L'indice ScaNN offre notevoli vantaggi in termini di velocità rispetto all'indice HNSW (Hierarchical Navigable Small Worlds) di PostgreSQL standard, fornendo le operazioni vettoriali rapide necessarie per i workload di AI più impegnativi:
| Operazione | Aumento delle prestazioni (rispetto all'indice HNSW PostgreSQL standard) | Funzionalità |
|---|---|---|
| Creazione dell'indice | Fino a 10 volte più veloce | Creazione di indici in parallelo |
| Query di ricerca vettoriale | Fino a 4 volte più veloce | Manutenzione automatica degli indici |
| Query di Vector Search filtrate | Fino a 10 volte più veloce | Osservabilità di livello enterprise |
Filtro adattivo e ottimizzazione delle query
L'indice ScaNN è profondamente integrato con il piano di query di PostgreSQL per garantire prestazioni ottimali per le query ibride che coinvolgono sia la somiglianza vettoriale sia i filtri dei metadati strutturati standard:
- Filtro adattivo: garantisce prestazioni ottimali quando filtri, join e indici vettoriali vengono utilizzati contemporaneamente. Funziona osservando le statistiche di esecuzione delle query in fase di runtime, apprendendo la selettività dei filtri e modificando in modo adattivo il piano di esecuzione per determinare l'ordine più efficiente di applicazione dei filtri e di Vector Search.
- Filtro in linea: specifico per l'algoritmo ScaNN, il filtro in linea è una strategia di ottimizzazione che esegue la Vector Search e la valutazione del filtro dei metadati in tandem. Sfrutta gli indici PostgreSQL secondari (come B-tree, GIN o GiST) per creare un elenco (bitmap) di righe che soddisfano i criteri di filtro. La successiva scansione vettoriale calcola le distanze solo per i vettori contenuti in questo insieme pre-filtrato, riducendo drasticamente l'overhead di calcolo, soprattutto quando i filtri sono moderatamente selettivi.
Integrazione perfetta con Gemini Enterprise Agent Platform
AlloyDB AI è progettato per l'integrazione integrata con l'ecosistema della piattaforma degli agenti, consentendo la trasformazione e l'arricchimento dei dati direttamente all'interno del database utilizzando SQL.
Generazione automatica di embedding
La piattaforma supporta la generazione automatica di embedding utilizzando l'estensione google_ml_integration. Questa funzionalità consente di convertire i dati operativi (testo, immagini e video) in vector embedding utilizzando i modelli di Agent Platform, come text-embedding-005:
- Registrazione dei modelli:i modelli di Agent Platform (embedding e generativi) vengono registrati nel database utilizzando la procedura
google_ml.create_model. - Colonne virtuali: gli embedding possono essere generati e mantenuti automaticamente in una colonna generata utilizzando la funzione
embedding(), garantendo che i dati vettoriali rimangano sincronizzati con i dati della colonna di origine:
ALTER TABLE my_table
ADD COLUMN embedding vector(768)
GENERATED ALWAYS AS (embedding('text-embedding-005', source_column)) STORED;
Esecuzione di query e arricchimento con l'AI generativa
Con i vector embedding archiviati, gli sviluppatori possono eseguire ricerche semantiche sofisticate utilizzando l'operatore di somiglianza vettoriale (<=>) in SQL standard. Inoltre, i risultati di queste ricerche possono essere passati direttamente ai modelli di AI generativa, come gemini-3.5-flash-lite, utilizzando funzioni come ai.generate o google_ml.predict_row per l'arricchimento delle query basato su RAG e la generazione di output facili da usare.