Summary

ในโมดูลนี้ คุณได้เรียนรู้วิธีใช้ความสามารถในการค้นหาเวกเตอร์โดยใช้ส่วนขยาย pgvector ในฐานข้อมูล Azure สําหรับ PostgreSQL คุณเริ่มต้นด้วยการเปิดใช้งานส่วนขยายและออกแบบสคีมาที่มีคอลัมน์เวกเตอร์เพื่อจัดเก็บการฝังจากโมเดลต่างๆ เพื่อทําความเข้าใจว่าขนาดมิติข้อมูลส่งผลต่อพื้นที่จัดเก็บและประสิทธิภาพอย่างไร คุณได้สํารวจตัวดําเนินการระยะทางสามตัว ได้แก่ ระยะทางแบบยุคลิด ระยะโคไซน์ และผลิตภัณฑ์ภายใน และเรียนรู้ว่าเมื่อใดควรใช้แต่ละตัวตามแบบจําลองการฝังตัวและกรณีการใช้งานของคุณ

คุณยังได้เรียนรู้วิธีสร้างดัชนีเวกเตอร์โดยใช้อัลกอริทึม IVFFlat และ HNSW เพื่อเปลี่ยนการสแกนตามลําดับที่มีราคาแพงให้เป็นการค้นหาเพื่อนบ้านที่ใกล้ที่สุดโดยประมาณอย่างรวดเร็ว คุณค้นพบว่า IVFFlat ต้องการข้อมูลที่มีอยู่ก่อนการสร้างดัชนี และใช้พารามิเตอร์รายการและโพรบเพื่อปรับสมดุลความเร็วและการเรียกคืน ในขณะที่ HNSW สามารถจัดทําดัชนีข้อมูลทีละน้อยและให้การเรียกคืนที่ดีขึ้นด้วยพารามิเตอร์ m, ef_construction และ ef_search คุณได้เรียนรู้ที่จะตรวจสอบการใช้ดัชนีด้วย EXPLAIN ANALYZE และจับคู่คลาสตัวดําเนินการกับตัวดําเนินการทางไกลของคุณ

นอกจากนี้ คุณยังได้สํารวจกลยุทธ์การจัดการวงจรชีวิตของดัชนี รวมถึงการตรวจสอบความสมบูรณ์ของดัชนีด้วย pg_stat_user_indexes การกําหนดเวลาที่จะสร้างดัชนีใหม่หลังจากการเปลี่ยนแปลงข้อมูลที่สําคัญ และการจัดการการโยกย้ายแบบจําลองการฝังตัวที่ต้องอัปเดตเวกเตอร์ทั้งหมด คุณใช้รูปแบบการดึงข้อมูลเชิงความหมายที่รวมความคล้ายคลึงกันของเวกเตอร์เข้ากับการกรองข้อมูลเมตา สุดท้าย คุณได้ออกแบบสคีมาไปป์ไลน์ RAG ที่แยกเอกสารต้นฉบับออกจากก้อน ทําให้สามารถดึงบริบทด้วยข้อมูลเมตาการอ้างอิงแบบเต็มสําหรับแอปพลิเคชัน LLM