pgvector 0.6.0 以降の進化についてざっくり取り上げてみる

第 47 回 PostgreSQL アンカンファレンス@オンライン 2024/7/1

Transcript

1. pgvector 0.6.0 以降の進化について ざっくり取り上げてみる 第 47 回 PostgreSQL アンカンファレンス@オンライン　 2024/7/1 まつひさ（hmatsu47）
2. 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 ◦ 昨年の第 43 回以来、11 ヶ月ぶりの発表参加です 2
3. 本日のネタ • 以下の 2 つの（不人気）記事の内容を取り上げます ◦ 象使いのための pgvector 入門 (3) 0.6.0 〜 0.7.0 追加機能につ いて https://qiita.com/hmatsu47/items/8cdafc093fcda793e863 ◦ pgvector 0.7.0 でバイナリインデックス＆量子化を試してみた https://zenn.dev/hmatsu47/articles/pgvector070-binaryvector 3
4. pgvector おさらい（去年まで） • PostgreSQL をベクトル対応するための拡張機能 https://github.com/pgvector/pgvector ◦ RAG やセマンティック検索でよく使用される • インデックスとして IVFFlat・HNSW をサポート ◦ HNSW のほうが高性能 ▪ 0.5.0 で HNSW がサポートされた 4
5. 2024 年前半の pgvector（主な機能追加） • 0.6.0 で HNSW インデックスのパラレルビルドに対応 ◦ CPU コアが多いサーバーでのインデックス作成高速化 • 0.7.0 で半精度・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 ▪ ビット量子化とハミング距離・ジャッカード距離に対応（バイナリベクトル向け） ◦ その他、疎ベクトルとサブベクトルインデックス化にも対応 5
6. 2024 年前半の pgvector（主な機能追加） • 0.6.0 で HNSW インデックスのパラレルビルドに対応 ◦ CPU コアが多いサーバーでのインデックス作成高速化 • 0.7.0 で半精度・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 ▪ ビット量子化とハミング距離・ジャッカード距離に対応（1 ビットベクトル向け） ◦ その他、疎ベクトルとサブベクトルインデックス化にも対応 6
7. ビット量子化インデックスを試してみた（1/2） • AWS オレゴンリージョンで以下を使ってテスト ◦ RDS for PostgreSQL 16.3（db.m6g.large） ◦ Titan Text Embeddings V2（1024 次元・正規化あり） • 使ったデータはこちら ◦ https://huggingface.co/datasets/takaaki-inada/databricks-dolly-15k-ja-zundamon ▪ 2024/5/22 時点・トークンサイズ等制限に掛からない約 4,600 件 ▪ 質問文（instruction）と回答（output）をそれぞれ個別の行として登録 ▪ 埋め込みベクトルは 32 ビット float 値でデータ行に登録 7
8. ビット量子化インデックスを試してみた（2/2） • インデックスの作成時間と検索時間・検索結果を比較 ◦ インデックスなし（内積） ◦ 32 ビット float 値の HNSW インデックスを作成して検索（同上） ◦ ビット量子化して作成したインデックスを Re-rank 検索 8
9. Re-rank 検索とは？（ざっくり） • 一度検索して得た「候補」を別手法で順位づけ ◦ 例）低負荷・低精度の手法で粗く絞り込み→その中から高精度の 手法で順位づけ or 最適値選択する ▪ 例 1 : ビット量子化したインデックスから 20 件絞り込み→20 件の中から 32 ビット精度で最近傍の 5 件を選択 ▪ 例 2 : 32 ビット精度のまま次元数を圧縮（削減）したインデックスから 20 件 絞り込み→20 件の中から最近傍の 5 件を選択 9
10. Re-rank 検索とは？（ざっくり） • 一度検索して得た「候補」を別手法で順位づけ ◦ 例）低負荷・低精度の手法で粗く絞り込み→その中から高精度の 手法で順位づけ or 最適値選択する ▪ 例 1 : ビット量子化したインデックスから 20 件絞り込み→20 件の中から 32 ビット精度で最近傍の 5 件を選択 ▪ 例 2 : 32 ビット精度のまま次元数を圧縮（削減）したインデックスから 20 件 絞り込み→20 件の中から最近傍の 5 件を選択 10
11. 0. データ投入 • GitHub リポジトリにある Python スクリプトを使用 https://github.com/hmatsu47/pgvector070-test/blob/main/app_titan2_re_rank_ bin_index_text.py 11
12. 1. インデックスがない状態でベクトル検索（1/2） • ↓の質問文（instruction）に近い回答（output）を抽出 12 postgres=> SELECT id, data FROM rerank_test WHERE id = 100000; -[ RECORD 1 ]---------------------------------------------------------- id | 100000 data | ヴァージン・オーストラリア航空はいつから運航を開始したのですか？ Time: 139.100 ms
13. 1. インデックスがない状態でベクトル検索（2/2） 13 postgres=> SELECT id, (embedding <#> (SELECT embedding FROM rerank_test WHERE id = 100000)) * -1 AS inner_product, data FROM rerank_test WHERE id < 100000 ORDER BY inner_product DESC LIMIT 5; -[ RECORD 1 ]-+--------------------------------------------------------------------------------------… id | 0 inner_product | 0.7999640703201294 data | ヴァージン・オーストラリア航空（ Virgin Australia Airlines Pty Ltd）はオーストラリアを拠点とする … -[ RECORD 2 ]-+--------------------------------------------------------------------------------------… id | 3355 inner_product | 0.4171184301376343 data | N.V. Virgin Express S.A.は、ヴァージン・グループ内に誕生したベルギーの航空会社なのだ。ブリュッセ … -[ RECORD 3 ]-+--------------------------------------------------------------------------------------… id | 6819 inner_product | 0.2454237937927246 data | OA形は、ボールドウィン機関車製作所がニュージーランドのウェリントン＆マナワツ鉄道（ WMR）のために製作し… -[ RECORD 4 ]-+--------------------------------------------------------------------------------------… id | 1540 inner_product | 0.22488926351070404 data | 橋が架かる前、サンフランシスコと現在のマリン郡を結ぶ唯一の実用的な近道は、サンフランシスコ湾の一角を船 … -[ RECORD 5 ]-+--------------------------------------------------------------------------------------… id | 3120 inner_product | 0.22459137439727783 data | Oy Air Finlandは、フィンランドのヴァンターにあるヘルシンキ空港を本社・拠点とする航空会社で、休暇先 … Time: 173.794 ms
14. 2. 32 ビットインデックス（HNSW）を作成 14 postgres=> CREATE INDEX ON rerank_test USING hnsw (embedding vector_ip_ops); CREATE INDEX Time: 9103.665 ms (00:09.104)
15. 3. 32 ビットインデックス（HNSW）で検索 15 postgres=> SELECT id, (embedding <#> (SELECT embedding FROM rerank_test WHERE id = 100000)) * -1 AS inner_product, data FROM rerank_test WHERE id < 100000 ORDER BY inner_product DESC LIMIT 5; -[ RECORD 1 ]-+--------------------------------------------------------------------------------------… id | 0 inner_product | 0.7999640703201294 data | ヴァージン・オーストラリア航空（ Virgin Australia Airlines Pty Ltd）はオーストラリアを拠点とする … -[ RECORD 2 ]-+--------------------------------------------------------------------------------------… id | 3355 inner_product | 0.4171184301376343 data | N.V. Virgin Express S.A.は、ヴァージン・グループ内に誕生したベルギーの航空会社なのだ。ブリュッセ … -[ RECORD 3 ]-+--------------------------------------------------------------------------------------… id | 6819 inner_product | 0.2454237937927246 data | OA形は、ボールドウィン機関車製作所がニュージーランドのウェリントン＆マナワツ鉄道（ WMR）のために製作し… -[ RECORD 4 ]-+--------------------------------------------------------------------------------------… id | 1540 inner_product | 0.22488926351070404 data | 橋が架かる前、サンフランシスコと現在のマリン郡を結ぶ唯一の実用的な近道は、サンフランシスコ湾の一角を船 … -[ RECORD 5 ]-+--------------------------------------------------------------------------------------… id | 3120 inner_product | 0.22459137439727783 data | Oy Air Finlandは、フィンランドのヴァンターにあるヘルシンキ空港を本社・拠点とする航空会社で、休暇先 … Time: 175.982 ms インデックスなしのケースとほぼ変わらず（データ行数が少ないため？）
16. 4. ビット量子化インデックス（HNSW）を作成 16 • 先に作成した 32 ビットインデックスを削除してから作成 postgres=> DROP INDEX rerank_test_embedding_idx; DROP INDEX Time: 152.619 ms postgres=> CREATE INDEX ON rerank_test USING hnsw ((binary_quantize(embedding)::bit(1024)) bit_hamming_ops); CREATE INDEX Time: 3356.522 ms (00:03.357) インデックス作成所要時間が半分以下に
17. 5. ビット量子化インデックス使用の Re-rank 検索 17 postgres=> SELECT id, (embedding <#> (SELECT embedding FROM rerank_test WHERE id = 100000)) * -1 AS inner_product, data FROM (SELECT * FROM rerank_test WHERE id < 100000 ORDER BY binary_quantize(embedding)::bit(1024) <~> (SELECT binary_quantize(embedding)::bit(1024) FROM rerank_test WHERE id = 100000) LIMIT 20) ORDER BY inner_product DESC LIMIT 5; -[ RECORD 1 ]-+--------------------------------------------------------------------------------------… id | 0 inner_product | 0.7999640703201294 data | ヴァージン・オーストラリア航空（ Virgin Australia Airlines Pty Ltd）はオーストラリアを拠点とする … -[ RECORD 2 ]-+--------------------------------------------------------------------------------------… id | 3355 inner_product | 0.4171184301376343 data | N.V. Virgin Express S.A.は、ヴァージン・グループ内に誕生したベルギーの航空会社なのだ。ブリュッセ … -[ RECORD 3 ]-+--------------------------------------------------------------------------------------… id | 6819 inner_product | 0.2454237937927246 data | OA形は、ボールドウィン機関車製作所がニュージーランドのウェリントン＆マナワツ鉄道（ WMR）のために製作し… -[ RECORD 4 ]-+--------------------------------------------------------------------------------------… id | 1540 （中略） -[ RECORD 5 ]-+--------------------------------------------------------------------------------------… id | 3120 （中略） Time: 140.448 ms 少しだけ検索所要時間が短縮
18. 6. ビット量子化インデックスで検索（非 Re-rank） 18 postgres=> SELECT id, (binary_quantize(embedding)::bit(1024) <~> (SELECT binary_quantize(embedding)::bit(1024) FROM rerank_test WHERE id = 100000)) AS humming_distance, data FROM rerank_test WHERE id < 100000 ORDER BY humming_distance LIMIT 5; -[ RECORD 1 ]----+-----------------------------------------------------------------------------------… id | 0 humming_distance | 224 data | ヴァージン・オーストラリア航空（ Virgin Australia Airlines Pty Ltd）はオーストラリアを拠点と … -[ RECORD 2 ]----+-----------------------------------------------------------------------------------… id | 3355 humming_distance | 385 data | N.V. Virgin Express S.A.は、ヴァージン・グループ内に誕生したベルギーの航空会社なのだ。ブリュッ … -[ RECORD 3 ]----+-----------------------------------------------------------------------------------… id | 5003 humming_distance | 419 data | エアバスA380は、エアバス社が開発・製造した大型ワイドボディー旅客機なのだ。世界最大の旅客機であり、 … -[ RECORD 4 ]----+-----------------------------------------------------------------------------------… id | 65 humming_distance | 426 data | イギリス領ヴァージン諸島（ BVI）、通称ヴァージン諸島は、カリブ海にあるイギリス海外領土で、プエルトリ … -[ RECORD 5 ]----+-----------------------------------------------------------------------------------… id | 5206 （中略） Time: 139.787 ms Re-rank 検索と順位が変化・検索所要時間の差はわずか
19. まとめ • pgvector 0.6.0 以降、性能向上や容量削減向けの機能が 追加でリリースされている ◦ HNSW インデックスのパラレルビルド対応 ◦ 半精度・バイナリ（ビット）ベクトル対応 ▪ インデックスも対応 ▪ ビット量子化とハミング距離・ジャッカード距離に対応 • データ量が多くなったときに効果が発揮される 19