Cloud SQL 함수

이 페이지에서는 Cloud SQL 함수에 대해 설명합니다.

벡터 변환 함수

다음 표에서는 SELECT 문에서 벡터 정보를 조작하기 위해 사용할 수 있는 함수를 보여줍니다.

함수 설명
vector_to_string 입력: VECTOR

출력: STRING

 인수를 인간이 읽을 수 있는 벡터 형식의 문자열로 변환합니다.

입력: VECTOR 유형의 인수 1개

출력: 문자열

구문:

vector_to_string(some_embedding)
string_to_vector 입력: STRING

출력: VECTOR

 문자열을 인간이 읽을 수 있는 벡터 형식으로 변환합니다. 이렇게 하면 벡터로 표시하려는 값을 쓸 수 있습니다.

입력: 문자열

구문:

string_to_vector('some_embedding')

출력: 벡터 유형의 값 1개

검색 함수

이 섹션에서는 Cloud SQL 검색 함수에 대해 설명합니다.

KNN 함수

다음 표에서는 KNN 벡터 거리를 계산하는 데 사용할 수 있는 함수를 보여줍니다.

함수 데이터 유형 설명
vector_distance 입력: VECTOR

출력: REAL

 두 VECTOR 사이의 벡터 거리를 계산합니다. 두 VECTOR의 크기가 같아야 합니다.

입력: 필수. 2개의 벡터 값을 사용합니다. 선택적인 세 번째 문자열 인수는 거리 측정값을 나타냅니다. 기본값은 `l2_squared_distance`입니다. 다른 옵션으로는 `cosine_distance` 및 `dot_product`가 있습니다.

출력: 두 벡터 사이의 거리입니다.

예를 들면 다음과 같습니다.

SELECT vector_distance(string_to_vector('[1,-2,3]'), string_to_vector('[1,2,3]'), 'Distance_Measure=dot_product');

cosine_distance 입력: VECTOR

출력: REAL

 두 벡터 사이의 각도 코사인을 계산하는 알고리즘입니다. 값이 작을수록 벡터 간의 유사성이 높습니다.

입력: 2개의 벡터 값을 사용합니다. 이러한 값은 열 이름 또는 상수일 수 있습니다.

출력: 두 벡터 간의 코사인 거리입니다.

예를 들면 다음과 같습니다.

SELECT cosine_distance(string_to_vector('[1,2,3]'), string_to_vector('[1,1,1]'));

SELECT id FROM t1 ORDER BY cosine_distance(string_to_vector('[1,2,3]'), embedding_column_name) LIMIT 10;
dot_product 입력: VECTOR

출력: REAL

 2개의 입력 벡터 사이에 내적 연산을 수행하여 단일 스칼라 값을 계산 및 출력하는 알고리즘입니다.

입력: 2개의 벡터 값을 사용합니다. 이러한 값은 열 이름 또는 상수일 수 있습니다.

출력: 두 벡터의 내적입니다.

예를 들면 다음과 같습니다.

SELECT dot_product(string_to_vector('[1,2,3]'), string_to_vector('[1,1,1]'));

SELECT id FROM t1 ORDER BY dot_product(string_to_vector('[1,2,3]'), embbeding_column_name) LIMIT 10;
l2_squared_distance 입력: VECTOR

출력: REAL

 2개의 입력 벡터 사이의 각 측정기준에 제곱 거리를 추가하여 이들 사이의 유클리드 거리를 측정하는 알고리즘입니다.

입력: 2개의 벡터 값을 사용합니다. 이러한 값은 열 이름 또는 상수일 수 있습니다.

출력: 두 벡터 사이의 L2 제곱 거리입니다.

예를 들면 다음과 같습니다.

SELECT l2_squared_distance(string_to_vector('[1,2,3]'), string_to_vector('[1,1,1]'));

SELECT id FROM t1 ORDER BY l2_squared_distance(string_to_vector('[1,2,3]'), embbeding_column_name) LIMIT 10;

ANN 함수

다음 표에서는 벡터 거리 계산에 사용할 수 있는 함수를 보여줍니다.

함수 데이터 유형 설명
approx_distance 입력: VECTOR

출력: REAL

 선택한 알고리즘을 사용하여 거리 측정을 충족하는 Top-K 최근접 행을 찾습니다. 이 함수는 벡터 열에서 상수 값까지 근사 최근접 이웃을 쿼리합니다. 두 임베딩 열의 VECTOR 유형 및 상수 VECTOR는 크기가 동일해야 합니다. 일부 경우에는 이 함수는 ANN 검색 대신 KNN(정확한 검색) 검색으로 전환됩니다. 이 함수를 사용하는 쿼리에 한도를 포함해야 합니다.

구문:

approx_distance(embedding_name,
query_vector,
'distance_measure=algorithm_name
[, num_leaves_to_search=value]'

입력:

  1. embedding_name: 기본 테이블의 벡터 임베딩 열 이름입니다.
  2. query_vector: string_to_vector의 출력일 수 있지만 필수는 아닌 `VECTOR` 유형의 상수입니다.
  3. 쉼표로 구분된 검색 문자열 옵션에는 다음이 포함됩니다.
    • distance_measure: 필수. 알고리즘을 사용하여 벡터 간 거리를 측정합니다. 다음 문자열 리터럴을 사용합니다.
      • L2_SQUARED
      • COSINE
      • DOT_PRODUCT

      예를 들면 distance_measure=cosine입니다.

    • num_leaves_to_search: 선택사항입니다. ANN 벡터 유사성 검색을 위해 프로브할 리프 수를 지정합니다. 리프 수를 지정하지 않으면 MySQL용 CloudSQL이 information_schema.innodb_vector_indexes에서 확인할 수 있는 num_leaves_to_search의 계산 값을 선택합니다. 계산된 숫자는 일반적으로 적절한 검색 품질과 성능을 지닌 유용한 시작점입니다. 워크로드 및 성능 또는 결과 품질 간의 균형에 따라 num_leaves_to_search를 조정하는 것이 좋습니다.

    예를 들면 다음과 같습니다.

    'distance_measure=dot_product,
    num_leaves_to_search=100'

    필요한 LIMIT 값: 지정된 한도는 반환할 이웃 수(Top-K)로 사용됩니다.

    출력: 기본 테이블에서 Top-K 최근접 행의 대략적인 거리입니다.

    이 함수는 ORDER BY 또는 SELECT 목록에서만 사용할 수 있습니다.

    예를 들면 다음과 같습니다.

    SELECT id, approx_distance(embedding_column_name
    string_to_vector('[1,1,1]'),
    'distance_measure=cosine') dist from t1
    ORDER BY dist LIMIT 10;

    SELECT id
    FROM t1
    ORDER BY
    approx_distance(
    embedding_column_name
    string_to_vector('[1,1,1]'),
    'distance_measure=dot_product,num_leaves_to_search=100) LIMIT 4;

다음 단계