A vector_search függvény

A következőkre vonatkozik: Databricks SQL

Fontos

Ez a funkció a nyilvános előzetes verzióban érhető el.

A vector_search() függvény lehetővé teszi a Mozaik AI Vector Search-index lekérdezését AZ SQL használatával.

Követelmények

• Ez a függvény nem érhető el a klasszikus SQL-raktárakban.
• További információt a Databricks SQL díjszabási oldalán talál.
• Ez a függvény régiókban érhető el, ahol a Mozaik AI Vector Search támogatott.

Szintaxis

A Databricks Runtime 15.3-ban és újabb verziókban query_text vagy query_vector megadhatja, hogy mit keressen az indexben.

SELECT * FROM vector_search(
  index,
  { query_text | query_vector },
  [ num_results ]
)

A Databricks Runtime 15.2-ben és korábbi verziókban a query segítségével adhatja meg, hogy mit keressen az indexben.

SELECT * FROM vector_search(
  index, query, num_results
)

Argumentumok

Minden argumentumot név szerint kell átadni, például vector_search(index => indexName, query_text => queryText).

• index: Egy STRING állandó, a meglévő vektorkeresési index teljesen kvalifikált neve ugyanazon munkaterületen a meghívásokhoz. A definiálónak "Kiválasztás" engedéllyel kell rendelkeznie az indexen.
• Az alábbiak egyikével adja meg az indexben keresni kívánt kifejezést:
  • A Databricks Runtime 15.3 vagy frissebb verzióját használva keressen egy adott szövegsztringet a query_textbeágyazási forrásoszlopában a segítségével. A lekérdezésnek egy STRING kifejezésként kell megadnia a keresendő sztringet az indexben.
  • A Databricks Runtime 15.3 vagy újabb verziójával a query_vector segítségével kereshet egy adott vektort a Delta Sync Index beágyazási vektoroszlopában. Ez az argumentum szükséges a deltaszinkronizálási index ön által felügyelt vektorok használatával történő kereséséhez. A lekérdezésnek a beágyazási vektor ARRAY<FLOAT>vagy ARRAY<DOUBLE>vagy ARRAY<DECIMAL(_, _)> kifejezésének kell lennie az indexben való kereséshez.
  • A Databricks Runtime 15.2 vagy újabb verziójában a query használatával adja meg az indexben keresni kívánt sztringet.
• num_results (nem kötelező): Egész számállandó, a visszaadandó rekordok maximális száma. Alapértelmezés szerint 10.

Visszatérések

Az index legfelső egyező rekordjainak táblázata. A rendszer az index összes oszlopát tartalmazza.

Példák

Az alábbi szakaszok a különböző indexkeresésekhez tartozó SQL-lekérdezéseket mutatják be.

Szöveges lekérdezések az indexeken a forrásoszlopok beágyazásával

A hasonló termékek név szerinti kereséséhez keressen rá a termékváltozatok indexére. Az alábbi példa query_text használ, amely csak a Databricks Runtime 15.3-ban és újabb verziókban támogatott. A Databricks Runtime 15.2-s és újabb verzióihoz használja a queryquery_texthelyett.

SELECT * FROM VECTOR_SEARCH(index => "main.db.my_index", query_text => "iphone", num_results => 2)

ID (Azonosító)	Terméknév
10	iPhone
20	iPhone SE

Az alábbi példa egyszerre keres több kifejezést egy LATERAL al-lekérdezés használatával.

SELECT
  query_txt,
  query_id,
  search.*
FROM
  query_table,
  LATERAL(
SELECT * FROM VECTOR_SEARCH(index => "main.db.my_index", query_text => query_txt, num_results => 2)
  ) as search

query_txt	lekérdezés_azonosító	keresés.azonosító	keresés.terméknév
iphone	1	10	iPhone 10
iphone	1	20	iPhone SE
képpont 8	2	30	Pixel 8
képpont 8	2	40	Pixel 8a

Szöveges lekérdezések az indexeken a forrásoszlopok beágyazásával

Keresés képek indexében előre kiszámított beágyazásokkal, hogy beágyazás alapján találjon hasonló képeket. Az alábbi példa query_vector használ, amely csak a Databricks Runtime 15.3-ban és újabb verziókban támogatott. A Databricks Runtime 15.2-s és újabb verzióihoz használja a queryquery_vectorhelyett.

SELECT * FROM VECTOR_SEARCH(index => "main.db.my_index", query_vector => ARRAY(0.45, -0.35, 0.78, 0.22), num_results => 3)

SELECT * FROM VECTOR_SEARCH(index => "main.db.my_index", query_vector => ARRAY(0.45F, -0.35F, 0.78F, 0.22F), num_results => 3)

SELECT * FROM VECTOR_SEARCH(index => "main.db.my_index", query_vector => ARRAY(0.45D, -0.35D, 0.78D, 0.22D), num_results => 3)

azonosító	kép_név	képelemek beágyazása
28	horse.jpg	[0.46, -0.34, 0.77, 0.21]
27	donkey.jpg	[0.44, -0.36, 0.79, 0.23]
5	elk.jpg	[0.23, -0.44, 0.77, 0.80]

Az alábbi példa egyszerre keres több kifejezést egy LATERAL al-lekérdezés használatával.

SELECT
  query_embedding,
  search.*
FROM
  query_table,
  LATERAL(
SELECT * FROM VECTOR_SEARCH(index => "main.db.my_index", query_vector => image_embedding, num_results => 1)
  ) as search

lekérdezés_beágyazás	search.id	keresés.képneve	képbeágyazás keresése
[0.45, -0.35, 0.78, 0.22]	27	donkey.jpg	[0.46, -0.34, 0.77, 0.21]
[0.14, 0.29, 0.30, -0.90]	3	tájkép.jpg	[0.15, 0.30, 0.31, -0.91]
[0.23, -0.44, 0.77, 0.80]	10	golden_gate_bridge.jpg	[0.28, -0.40, 0.23, 0.81]
[0.88, 0.88, 0.88, 0.88]	44	blank.jpg	[0.88, 0.88, 0.88, 0.88]

Korlátozások

Az előzetes verzióban a következő korlátozások érvényesek:

• Az indextípusok lekérdezése DIRECT_ACCESS nem támogatott.
• A bemeneti paraméterek filters_json vagy columns nem támogatottak.
• A num_results 100-nál nagyobb vektorkeresés nem támogatott.
• vector_search nem használható olyan végpontok esetén, amelyek foundation model API-k által kiosztott átviteli kapacitást használnak.