Mosaic AI Vector Search
Questo articolo offre una panoramica della soluzione di database vettoriale di Databricks, Mosaic AI Vector Search, incluso cos’è e come funziona.
Che cos'è Mosaic AI Vector Search?
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 gli 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 ne sono i sistemi RAG, i sistemi di raccomandazione e il riconoscimento di immagini e video.
Con Mosaic AI Vector Search viene creato un indice di ricerca vettoriale a partire 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 Mosaic AI Vector Search?
Mosaic AI Vector Search usa l'algoritmo HNSW (Hierarchical Navigable Small World) per le ricerche approssimative 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.
Per informazioni dettagliate sull'API, vedere le informazioni di riferimento sull’SDK Python e Eseguire query su un endpoint di ricerca vettoriale.
Calcolo della ricerca di somiglianza
Il calcolo della ricerca di somiglianza impiega la formula seguente:
dove dist è la distanza euclidea tra la query q e la voce di indice x:
Algoritmo di ricerca delle parole chiave
I punteggi di rilevanza 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.
In che modo 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).
L’RRF riassegna il punteggio di ogni documento da ogni metodo usando il punteggio:
Nell'equazione precedente, la classificazione inizia a 0, somma i punteggi per ciascun documento e restituisce i documenti di punteggio più alti.
rrf_param controlla l'importanza relativa dei documenti di priorità superiore e 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:
Opzioni per fornire incorporamenti vettoriali
Per creare un database vettoriale in Databricks, è prima necessario decidere come fornire gli incorporamenti vettoriali. Databricks supporta tre opzioni:
Opzione 1: indice di sincronizzazione Delta con incorporamenti calcolati da Databricks È disponibile una tabella Delta di origine che contiene 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:
- Calcolare gli incorporamenti delle query. La query può includere filtri di metadati.
- Eseguire ricerche di somiglianza per identificare i documenti più rilevanti.
- Restituire i documenti più rilevanti e aggiungerli alla query.
Opzione 2: indice di sincronizzazione Delta con incorporamenti autogestiti È disponibile una tabella Delta di origine che contiene incorporamenti precalcolati. Quando la tabella Delta viene aggiornata, l'indice rimane sincronizzato con la tabella Delta.
Il diagramma seguente illustra il processo:
- La query è costituita da incorporamenti e può includere filtri di metadati.
- Eseguire ricerche di somiglianza per identificare i documenti più rilevanti. Restituire i documenti più rilevanti e aggiungerli alla query.
Opzione 3: indice di accesso vettoriale diretto È necessario aggiornare manualmente l'indice usando l'API REST quando cambia la tabella di incorporamento.
Il diagramma seguente illustra il processo:
Come configurare Mosaic AI Vector Search
Per usare Mosaic AI Vector Search, è necessario creare quanto segue:
- Un 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 dimensionati automaticamente per supportare le dimensioni dell'indice o il numero di richieste simultanee. Per istruzioni, vedere Creare un endpoint di ricerca vettoriale.
- Un indice di ricerca vettoriale. L'indice di ricerca vettoriale viene creato a partire 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 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 servizio 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 IA generativa che serve gli endpoint.
Per eseguire query sull'endpoint di servizio del modello, usare l'API REST o l’SDK Python. La query può definire filtri in base a qualsiasi colonna della tabella Delta. Per informazioni dettagliate, vedere Usare filtri per le query, le Informazioni di riferimento sull'API o le Informazioni di riferimento sull’SDK Python.
Requisiti
- Area di lavoro abilitata per Unity Catalog.
- Elaborazione serverless abilitata. Per istruzioni, vedere Connettere all’elaborazione serverless.
- Per la tabella di origine deve essere abilitato il feed di dati delle modifiche. Per istruzioni, vedere Usare il feed di dati delle modifiche Delta Lake in Azure Databricks.
- Privilegi CREATE TABLE 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 Mosaic AI Vector Search. Vedere Autenticazione con token di accesso personale. Se si usa l'SDK in un ambiente Notebook, queso genera 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 Uso delle entità servizio. Per i casi d'uso di produzione, Databricks consiglia di usare un token dell'entità servizio.
Le chiavi gestite dal cliente (CMK) sono supportate sugli endpoint creati a partire dell'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:
WITH all_vector_search_usage (
SELECT *,
CASE WHEN usage_metadata.endpoint_name IS NULL
THEN 'ingest'
ELSE 'serving'
END as workload_type
FROM system.billing.usage
WHERE billing_origin_product = 'VECTOR_SEARCH'
),
daily_dbus AS (
SELECT workspace_id,
cloud,
usage_date,
workload_type,
usage_metadata.endpoint_name as vector_search_endpoint,
SUM(usage_quantity) as dbus
FROM all_vector_search_usage
GROUP BY all
ORDER BY 1,2,3,4,5 DESC
)
SELECT * FROM daily_dbus
Per informazioni dettagliate sul contenuto della tabella relativa all'utilizzo della fatturazione, vedere Informazioni di riferimento sulla tabella del sistema di utilizzo fatturabile. Nel Notebook di esempio seguente, sono disponibili query aggiuntive.
Notebook query sulle tabelle di sistema di ricerca vettoriali
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 | 320.000.000 |
| 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 in blocco per l'indice vettoriale diretto | Per indice | 10 MB |
| Limite delle dimensioni delle richieste di eliminazione in blocco per l'indice vettoriale diretto | Per indice | 10 MB |
I limiti seguenti si applicano all'API della query.
| Conto risorse | Granularità | Limite |
|---|---|---|
| Lunghezza del testo della query | Per query | 32764 |
| Numero massimo di risultati restituiti | Per query | 10,000 |
Limiti
- Le autorizzazioni a livello di riga e colonna non sono supportate. Tuttavia, è possibile implementare elenchi di controllo di accesso a livello di applicazione personalizzati usando l'API di filtro.