Condividi tramite


Ricerca a vettori di intelligenza artificiale mosaici

Questo articolo offre una panoramica della soluzione di database vettoriale di Databricks, Mosaic AI Vector Search, incluse le informazioni e il funzionamento.

Mosaic AI Vector Search è un database vettoriale integrato in Databricks Data Intelligence Platform e integrato con i relativi strumenti di governance e produttività. Un database vettoriale è un database ottimizzato per archiviare e recuperare incorporamenti. Gli incorporamenti sono rappresentazioni matematiche del contenuto semantico dei dati, in genere dati di testo o immagine. Gli incorporamenti vengono generati da un modello linguistico di grandi dimensioni e sono un componente chiave di molte applicazioni GenAI che dipendono dalla ricerca di documenti o immagini simili tra loro. Esempi sono i sistemi RAG, i sistemi di raccomandazione e il riconoscimento di immagini e video.

Con Mosaic AI Vector Search si crea un indice di ricerca vettoriale da una tabella Delta. L'indice include dati incorporati con i metadati. È quindi possibile eseguire query sull'indice usando un'API REST per identificare i vettori più simili e restituire i documenti associati. È possibile strutturare l'indice da sincronizzare automaticamente quando viene aggiornata la tabella Delta sottostante.

Come funziona La ricerca vettoriale di Mosaic AI Vector?

Mosaic AI Vector Search usa l'algoritmo HNSW (Hierarchical Navigable Small World) per le ricerche approssimative vicine più vicine e la metrica di distanza L2 per misurare la somiglianza del vettore di incorporamento. Se si vuole usare la somiglianza del coseno, è necessario normalizzare gli incorporamenti dei punti dati prima di inserirli nella ricerca vettoriale. Quando i punti dati vengono normalizzati, la classificazione prodotta dalla distanza L2 corrisponde alla classificazione prodotta dalla somiglianza del coseno.

Mosaic AI Vector Search supporta anche la ricerca ibrida di somiglianza delle parole chiave, che combina la ricerca di incorporamento basata su vettori con tecniche di ricerca tradizionali basate su parole chiave. Questo approccio corrisponde a parole esatte nella query, usando anche una ricerca di somiglianza basata su vettori per acquisire le relazioni semantiche e il contesto della query.

Integrando queste due tecniche, la ricerca ibrida di somiglianza tra parole chiave recupera i documenti che contengono non solo le parole chiave esatte, ma anche quelle concettualmente simili, fornendo risultati di ricerca più completi e pertinenti. Questo metodo è particolarmente utile nelle applicazioni RAG in cui i dati di origine hanno parole chiave univoche, ad esempio SKU o identificatori non adatti alla ricerca di somiglianza pura.

La ricerca ibrida è disponibile in anteprima pubblica. Per informazioni dettagliate sull'API, vedere le informazioni di riferimento su Python SDK e Eseguire query su un endpoint di ricerca vettoriale.

Calcolo della ricerca di somiglianza

Il calcolo della ricerca di somiglianza usa la formula seguente:

reciproco di 1 più la distanza quadrata

dove dist è la distanza euclidea tra la query q e la voce xdi indice :

Distanza eucideana, radice quadrata della somma delle differenze quadrate

Algoritmo di ricerca delle parole chiave

I punteggi di pertinenza vengono calcolati usando okapi BM25. Viene eseguita la ricerca in tutte le colonne di testo o stringa, incluse le colonne di testo e metadati di origine in formato testo o stringa. La funzione di tokenizzazione divide in corrispondenza dei limiti delle parole, rimuove la punteggiatura e converte tutto il testo in minuscolo.

Come vengono combinate la ricerca di somiglianza e la ricerca di parole chiave

I risultati della ricerca di somiglianza e della ricerca delle parole chiave vengono combinati usando la funzione RRF (Reciprocal Rank Fusion).

RRF sottolinea ogni documento da ogni metodo usando il punteggio:

Equazione RRF

Nell'equazione precedente, la classificazione inizia a 0, somma i punteggi per ogni documento e restituisce i documenti di punteggio più alti.

rrf_param controlla l'importanza relativa dei documenti di rango superiore e con classificazione inferiore. Sulla base della letteratura, rrf_param è impostato su 60.

I punteggi vengono normalizzati in modo che il punteggio più alto sia 1 e il punteggio più basso sia 0 usando l'equazione seguente:

normalizzazione

Opzioni per fornire incorporamenti vettoriali

Per creare un database vettoriale in Databricks, è prima necessario decidere come fornire incorporamenti vettoriali. Databricks supporta tre opzioni:

  • Opzione 1 Specificare una tabella Delta di origine contenente dati in formato testo. Databricks calcola gli incorporamenti, usando un modello specificato e, facoltativamente, salva gli incorporamenti in una tabella in Unity Catalog. Quando la tabella Delta viene aggiornata, l'indice rimane sincronizzato con la tabella Delta.

    Il diagramma seguente illustra il processo:

    1. Calcolare gli incorporamenti delle query. La query può includere filtri di metadati.
    2. Eseguire ricerche di somiglianza per identificare i documenti più rilevanti.
    3. Restituire i documenti più rilevanti e aggiungerli alla query.

    database vector, Databricks calcola incorporamenti

  • Opzione 2 Specificare una tabella Delta di origine contenente incorporamenti precalcosi. Quando la tabella Delta viene aggiornata, l'indice rimane sincronizzato con la tabella Delta.

    Il diagramma seguente illustra il processo:

    1. La query è costituita da incorporamenti e può includere filtri di metadati.
    2. Eseguire ricerche di somiglianza per identificare i documenti più rilevanti. Restituire i documenti più rilevanti e aggiungerli alla query.

    database vettoriale, incorporamenti precalcolati

  • Opzione 3 (accesso diretto) Specificare una tabella Delta di origine contenente incorporamenti precalcosi. Non è presente alcuna sincronizzazione automatica quando la tabella Delta viene aggiornata. È necessario aggiornare manualmente l'indice usando l'API REST quando viene modificata la tabella di incorporamento.

    Il diagramma seguente illustra il processo, che corrisponde all'opzione 2, ad eccezione del fatto che l'indice vettoriale non viene aggiornato automaticamente quando la tabella Delta viene modificata:

    database vettoriale, incorporamenti precalcolati senza sincronizzazione automatica

Per usare La ricerca vettoriale di Mosaic AI Vector, è necessario creare quanto segue:

  • Endpoint di ricerca vettoriale. Questo endpoint serve l'indice di ricerca vettoriale. È possibile eseguire query e aggiornare l'endpoint usando l'API REST o l'SDK. Gli endpoint vengono ridimensionati automaticamente per supportare le dimensioni dell'indice o il numero di richieste simultanee. Per istruzioni, vedere Creare un endpoint di ricerca vettoriale.
  • Indice di ricerca vettoriale. L'indice di ricerca vettoriale viene creato da una tabella Delta ed è ottimizzato per fornire ricerche vicine approssimative in tempo reale. L'obiettivo della ricerca è identificare i documenti simili alla query. Gli indici di ricerca vettoriali vengono visualizzati in e sono regolati da Unity Catalog. Per istruzioni, vedere Creare un indice di ricerca vettoriale.

Inoltre, se si sceglie di usare Databricks per calcolare gli incorporamenti, è possibile usare un endpoint delle API del modello di base preconfigurato o creare un endpoint di gestione del modello per gestire il modello di incorporamento preferito. Per istruzioni, vedere API modello di base con pagamento per token o Creare un modello di intelligenza artificiale generativo che gestisce gli endpoint.

Per eseguire query sull'endpoint di gestione del modello, usare l'API REST o Python SDK. La query può definire filtri in base a qualsiasi colonna della tabella Delta. Per informazioni dettagliate, vedere Usare filtri per query, informazioni di riferimento sull'API o informazioni di riferimento su Python SDK.

Requisiti

  • Area di lavoro abilitata per Unity Catalog.
  • Calcolo serverless abilitato.
  • Per la tabella di origine deve essere abilitato il feed di dati delle modifiche.
  • CREATE TABLE privilegi per gli schemi del catalogo per creare indici.
  • Token di accesso personali abilitati.

Protezione dei dati e autenticazione

Databricks implementa i controlli di sicurezza seguenti per proteggere i dati:

  • Ogni richiesta del cliente a Mosaic AI Vector Search è isolata, autenticata e autorizzata logicamente.
  • Mosaic AI Vector Search crittografa tutti i dati inattivi (AES-256) e in transito (TLS 1.2+).

Mosaic AI Vector Search supporta due modalità di autenticazione:

  • Token di accesso personale: è possibile usare un token di accesso personale per eseguire l'autenticazione con La ricerca a vettori di intelligenza artificiale mosaici. Vedere Token di autenticazione dell'accesso personale. Se si usa l'SDK in un ambiente notebook, viene generato automaticamente un token PAT per l'autenticazione.
  • Token dell'entità servizio: un amministratore può generare un token dell'entità servizio e passarlo all'SDK o all'API. Vedere Usare le entità servizio. Per i casi d'uso di produzione, Databricks consiglia di usare un token dell'entità servizio.

Le chiavi gestite dal cliente sono supportate sugli endpoint creati il 8 maggio 2024 o dopo l'8 maggio 2024.

Monitorare l'utilizzo e i costi

La tabella del sistema di utilizzo fatturabile consente di monitorare l'utilizzo e i costi associati agli indici e agli endpoint di ricerca vettoriali. Di seguito è fornito un esempio di query:

SELECT *
FROM system.billing.usage
WHERE billing_origin_product = 'VECTOR_SEARCH'
  AND usage_metadata.endpoint_name IS NOT NULL

Per informazioni dettagliate sul contenuto della tabella relativa all'utilizzo della fatturazione, vedere Informazioni di riferimento sulla tabella del sistema di utilizzo fatturabile. Le query aggiuntive sono disponibili nel notebook di esempio seguente.

Notebook query sulle tabelle di sistema di ricerca vettoriali

Ottenere il notebook

Limiti relativi alle dimensioni delle risorse e dei dati

La tabella seguente riepiloga i limiti delle dimensioni delle risorse e dei dati per gli endpoint e gli indici di ricerca vettoriali:

Conto risorse Granularità Limite
Endpoint di ricerca vettoriali Per area di lavoro 100
Incorporamenti Per endpoint 100.000.000
Dimensione di incorporamento Per indice 4096
Indici Per endpoint 50
Colonne Per indice 50
Colonne Tipi supportati: byte, short, integer, long, float, double, boolean, string, timestamp, date
Campi dei metadati Per indice 20
Nome dell'indice Per indice 128 caratteri

I limiti seguenti si applicano alla creazione e all'aggiornamento degli indici di ricerca vettoriale:

Conto risorse Granularità Limite
Dimensioni delle righe per l'indice di sincronizzazione delta Per indice 100 KB
Incorporamento delle dimensioni delle colonne di origine per l'indice di Sincronizzazione delta Per indice 32764 byte
Limite delle dimensioni delle richieste di upsert bulk per l'indice Direct Vector Per indice 10 MB
Limite delle dimensioni delle richieste di eliminazione bulk per l'indice Direct Vector Per indice 10 MB

I limiti seguenti si applicano all'API di query.

Conto risorse Granularità Limite
Lunghezza del testo della query Per query 32764
Numero massimo di risultati restituiti Per query 10,000

Limiti

  • PrivateLink è attualmente limitato al set selezionato di clienti. Se si è interessati a usare la funzionalità con PrivateLink, contattare il rappresentante dell'account Databricks.
  • Le autorizzazioni a livello di riga e colonna non sono supportate. È tuttavia possibile implementare elenchi di controllo di accesso a livello di applicazione personalizzati usando l'API di filtro.

Risorse aggiuntive