Membuat indeks vektor yang dipercepat GPU - OpenSearch Layanan Amazon

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Membuat indeks vektor yang dipercepat GPU

Setelah mengaktifkan akselerasi GPU pada domain atau koleksi Anda, buat indeks vektor yang dapat memanfaatkan pemrosesan GPU.

catatan

Saat Anda membuat domain dengan akselerasi GPU diaktifkan, index.knn.remote_index_build.enabled pengaturannya true secara default. Anda tidak perlu secara eksplisit mengatur pengaturan ini saat membuat indeks. Untuk koleksi, Anda harus secara eksplisit menentukan nilai untuk setelan ini.

Creating index with GPU-acceleration

Contoh berikut membuat indeks vektor dioptimalkan untuk pengolahan GPU. Indeks ini menyimpan vektor 768 dimensi (umum untuk penyematan teks).

PUT my-vector-index
{
  "settings": {
    "index.knn": true,
    "index.knn.remote_index_build.enabled": true
  },
  "mappings": {
    "properties": {
      "vector_field": {
        "type": "knn_vector",
        "dimension": 768
      },
      "text": {
        "type": "text"
      }
    }
  }
}

Elemen konfigurasi kunci:

  • "index.knn": true- Mengaktifkan fungsionalitas tetangga k-terdekat

  • "index.knn.remote_index_build.enabled": true- Memungkinkan pemrosesan GPU untuk indeks ini. Saat domain mengaktifkan akselerasi GPU, tidak menentukan pengaturan ini secara default. true Untuk koleksi, Anda harus secara eksplisit menentukan nilai untuk setelan ini.

  • "dimension": 768- Menentukan ukuran vektor (menyesuaikan berdasarkan model embedding Anda)

Creating index without GPU-acceleration

Contoh berikut membuat indeks vektor di mana pemrosesan GPU dinonaktifkan. Indeks ini menyimpan vektor 768 dimensi (umum untuk penyematan teks).

PUT my-vector-index
{
  "settings": {
    "index.knn": true,
    "index.knn.remote_index_build.enabled": false
  },
  "mappings": {
    "properties": {
      "vector_field": {
        "type": "knn_vector",
        "dimension": 768
      },
      "text": {
        "type": "text"
      }
    }
  }
}