pgvectorscale と pgai の話（ざっくり） 第 48 回 PostgreSQL アンカンファレンス@オンライン　 2024/8/29 まつひさ（hmatsu47）

自己紹介 松久裕保（@hmatsu47） ● https://qiita.com/hmatsu47 ● 現在のステータス： ○ 名古屋で Web インフラのお守り係をしています ○ #pgunconf ゆるふわ勢 ○ 先月に引き続き発表参加です 2

本日のネタ（1/2） ● 新たに 2 つの（不人気）記事の内容を取り上げます ○ pgvectorscale を少しだけ試してみた（失敗編） https://zenn.dev/hmatsu47/articles/pgvectorscale ○ pgai を軽く試してみた https://zenn.dev/hmatsu47/articles/pgai-tried-a-little 3

本日のネタ（2/2） ● これです→ 4

まずは…ベクトル検索（ざっくり）おさらい ● 意味的に近いものを探すために使う（セマンティック検索） ○ 全文検索：文字列・単語そのものを探す（転置インデックスを使う） ■ 同義語・類義語を検索する場合は辞書が必要 ○ ベクトル検索：文章をベクトル化してベクトルの「近さ」を比較 ■ ベクトル（多次元）が「近い」ほど意味的に近い ● ベクトル化には LLM の埋め込み用モデル（など）を使う ○ マルチモーダルのモデルを使うと画像なども検索可能に 5

pgvector（ざっくり）おさらい ● PostgreSQL をベクトル対応にする extension ○ ベクトル型 ■ 32 ビット浮動小数点数（など）・多次元 ○ ベクトル関数・オペレーター ■ ベクトル間の距離（類似度）を計算（コサイン類似度・L1/L2 距離など） ○ ベクトルインデックス ■ ベクトル間の距離が「近い」データを素早く探索（IVFFlat・HNSW） 6

pgvector 0.7.0（ざっくり）おさらい ● 半精度・バイナリ（ビット）ベクトルに対応 ○ 16 ビット浮動小数点数と 1 ビットのベクトルに対応 ■ （それぞれ）インデックスも対応 ○ バイナリ量子化とバイナリ向けのベクトル関数に対応 ● 疎ベクトルとサブベクトルインデックス化にも対応 →データ容量（特にインデックス）の削減による検索の高速化を意図 7

pgvector 0.7.0 の弱点（1/4） ● HNSW インデックス作成時の性能問題 ○ ワークメモリ（maintenance_work_mem）から溢れると急激に劣化 出典 : https://www.pinecone.io/blog/pinecone-vs-pgvector/ 8

pgvector 0.7.0 の弱点（2/4） ● HNSW インデックス検索時の性能問題 ○ 階層構造のグラフ探索によるランダムアクセス発生 ■ 粗いグラフの階層から細かいグラフの階層へ辿っていく ■ ランダムアクセスになるのでディスクからのページ読み込みが非効率に 9

pgvector 0.7.0 の弱点（3/4） ● HNSW インデックス 検索時の精度問題 ○ セカンダリフィルター （WHERE 句）適用前の hnsw.ef_search カットオフ 　hnsw.ef_search = 5 のケース→ （「engineering」が取得できない） 出典 : https://www.timescale.com/blog/how-we-made-postgresql-as-fast-as-pinecone-for-vector-data/ 10

pgvector 0.7.0 の弱点（4/4） ● バイナリ量子化（BQ）使用時の精度問題 ○ 「0」と「1」の境界 ■ 元の値が「0.0」以下なら「0」、「0.0」より大きければ「1」 ■ しかし、大抵のケースで「0.0」は平均値ではない ○ 次元数が少ないときの精度低下 ■ 768 次元で 1 ビットに量子化したときの再現率が低い 11

pgvectorscale による改善（1/2） ● StreamingDiskANN インデックスを実装 ○ DiskANN アルゴリズム ■ Microsoft の研究によって開発 ■ 単層グラフ構造 ■ 遠く離れたノードを参照する隣接エッジを許容 ○ Streaming Filtering ■ hnsw.ef_search のようなカットオフをしない ■ 必要な数のインデックス行を継続的に参照できる仕組みを実装 12

pgvectorscale による改善（2/2） ● 統計的バイナリ量子化（SBQ）を実装 ○ 「0」と「1」の境界を各次元の平均値に ■ 平均値以下は「0」に、平均を超える値は「1」に変換 ○ 次元数が少ない（<900）場合のデフォルトを 2 ビット／次元に ■ Z スコア（※）を 3 つの領域に分割 ■ 隣接する領域の XOR 距離が 1 になるように 2 ビットにエンコード （「00」・「01」・「11」） （※）標準偏差で正規化された平均からの値の距離 13 ちょっと疑問： 平均値を算出する タイミングはいつ？

使い方（pgvectorscale 0.3.0 : 2024/8/13 リリース） ● extension 有効化 ● StreamingDiskANN インデックス作成 ● デフォルトでは embedding が 900 次元未満なら 2 ビット／次元 900 次元以上なら 1 ビット／次元に量子化 ● 検索（比較）はコサイン類似度（コサイン距離）のみ対応（<=>） 14 CREATE EXTENSION IF NOT EXISTS vectorscale CASCADE; CREATE INDEX ON 【テーブル名】 USING diskann (embedding);

pgai ● PostgreSQL から SQL 文で LLM の API コールを可能に ○ https://github.com/timescale/pgai ○ Python のストアドファンクションとして実装されている ■ Contribution のハードルは低そう ○ 機能のコンセプトとしては Amazon Aurora の ML 機能に近い ■ Aurora PostgreSQL の Bedrock 統合 https://aws.amazon.com/jp/about-aws/whats-new/2023/12/amazon-aurora-postgresql-int egration-bedrock-generative-ai/ 15

使い方（pgai 0.3.0 : 2024/7/10 リリース） ● extension 有効化 ● API キー登録（Cohere の例・複数方法あり） ● API コール（Cohere Embed Multilingual v3.0 の例） 16 CREATE EXTENSION IF NOT EXISTS ai CASCADE; SELECT set_config('ai.cohere_api_key', '【CohereのAPIキー】', false) is not null as set_config; SELECT cohere_embed('embed-multilingual-v3.0', '【埋め込み対象文字列】', _input_type=>'search_document');

pgai 0.3.0 のサポート対象 API ● それぞれサポートしている機能は異なる ○ OpenAI ○ Ollama ○ Anthropic ○ Cohere →ドキュメントでは詳細がわからないのでテストコードを読むと良い ● https://github.com/timescale/pgai/tree/main/tests 17

まとめ ● pgvectorscale は pgvector の弱点を補う extension ○ データ量が多くなったときの性能・精度の低下を防ぐ ● pgai は PostgreSQL から LLM の API を呼ぶ extension ○ SQL 文で直接ベクトル埋め込みなどが可能に 18