Modulvurdering

1.

Du tuner PostgreSQL til en vektorsøgningsarbejdsbyrde med 2 millioner 1536-dimensionelle embeddings. Forespørgsler er langsomme, og du observerer en cache-hit ratio på 85%. Hvilken konfigurationsændring bør du prioritere?

Øg shared_buffers for at bevare flere data i PostgreSQL-cachen

Nedgang random_page_cost for at fremme flere indeksscanninger

Øg ivfflat.probes søgningen i flere indekspartitioner

2.

Du skal oprette et vektorindeks for et datasæt med 5 millioner produktindlejringer, der modtager hyppige batchopdateringer (daglig fuld opdatering). Byggetiden skal være under 30 minutter. Hvilken indekskonfiguration skal du vælge?

IVFFlat med lister sat til sqrt(rækker)

HNSW med m=16 og ef_construction=64

HNSW med m=8 og ef_construction=32

3.

Din filtrerede vektorsøgning filtreres efter category_id og ordner derefter efter vektorlighed. Forespørgselsplanen viser en sekventiel scanning i produkttabellen. Hvad skal du først kontrollere?

Kontroller, at der findes et B-træindeks på kolonnen category_id

Verificér, at vektorindekset bruger samme operatorklasse som forespørgslen

Øg hnsw.ef_search for at udvide søgeområdet

4.

Du implementerer forbindelsesstyring for en AI-applikation, der laver 500 vektorforespørgsler i sekundet under myldretrafik. Din Azure Database for PostgreSQL-instans understøtter maksimalt 1.719 forbindelser. Hvilken fremgangsmåde skal du bruge?

Aktivér PgBouncer i transaktionstilstand med en poolstørrelse, der passer til dine applikationsinstanser

Opret en ny databaseforbindelse for hver forespørgselsanmodning

Aktivér PgBouncer i sessionstilstand for at opretholde vedvarende forbindelser

5.

Du skalerer en anbefalingsmotor, der i øjeblikket kører på en General Purpose 8 vCore-instans. CPU-udnyttelsen er i gennemsnit 75%, og P95's forespørgselsforsinkelse er 150 ms, men du skal opnå latenstid under 50 ms. Hvilken skaleringsmetode bør du prøve først?

Opgrader til et Memory Optimized tier med flere vCores

Tilføj læsereplikaer for at fordele forespørgselsbelastningen

Implementér application-level caching med Azure Cache for Redis

Feedback