वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector · पाठ

समानता क्वेरी निष्पादित करना

अपने डेटा में निकटतम पड़ोसी खोजने के लिए pgvector ऑपरेटर का उपयोग करके मूल वेक्टर समानता क्वेरी चलाइए।

पाठ 3, कुल 4 में से13 चरण

समानता क्वेरी निष्पादित करना, CoddyKit पर वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector का एक निःशुल्क पाठ है। यह 4 में से 3वाँ पाठ है। इस अध्ययन पथ के 3 तक कोई भी पाठ पूरा पढ़ना निःशुल्क है — इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ व्यावहारिक अभ्यास भी उपलब्ध कराता है। यह वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector पाठ्यक्रम में कुल 4 पाठ शामिल हैं।

समानता क्वेरी की शुरुआत

स्वागत है! इस पाठ में हम वेक्टर डेटाबेस की सबसे शक्तिशाली सुविधाओं में से एक: समानता क्वेरी को विस्तार से समझेंगे।

आप सीखेंगे कि अपने डेटाबेस से किसी दिए गए आइटम के 'समान' आइटम ढूँढने के लिए कैसे कहें, उनके वेक्टर एम्बेडिंग के आधार पर।

समानता क्यों महत्वपूर्ण है

समानता क्वेरी कई एआई अनुप्रयोगों का आधार हैं:

अनुशंसा प्रणालियाँ: उपयोगकर्ता को पसंद आए उत्पादों के समान उत्पाद ढूँढें।
सिमेंटिक खोज: केवल कीवर्ड के मिलान के बजाय समान अर्थ वाले दस्तावेज़ प्राप्त करें।
विसंगति पहचान: ऐसे डेटा बिंदुओं की पहचान करें जो अन्य बिंदुओं से असामान्य रूप से 'दूर' हों।

इनसे उच्च-आयामी डेटा को समझने में सहायता मिलती है।

वेक्टर दूरी मापना

हम वेक्टर के लिए 'समानता' कैसे परिभाषित करते हैं? हम दूरी मेट्रिक का उपयोग करते हैं।

वेक्टर को अंतरिक्ष में बिंदुओं के रूप में कल्पना करें। दो बिंदु जितने 'पास' होते हैं, उनके अंतर्निहित डेटा उतने ही समान होते हैं। अलग-अलग मेट्रिक इस दूरी को अलग-अलग तरीकों से मापते हैं।

यूक्लिडीय दूरी (L2 मानदंड)

यूक्लिडीय दूरी, जिसे L2 दूरी भी कहा जाता है, सबसे सहज मेट्रिक है। यह यूक्लिडीय अंतरिक्ष में दो बिंदुओं के बीच सीधी रेखा की दूरी होती है।

pgvector में यूक्लिडीय दूरी की गणना करने के लिए <-> ऑपरेटर का उपयोग किया जाता है। छोटा मान अधिक समानता दर्शाता है।

कोसाइन समानता / दूरी

कोसाइन समानता दो वेक्टर के बीच के कोण की कोसाइन मापती है। इससे पता चलता है कि वेक्टर लगभग एक ही दिशा में संकेत कर रहे हैं या नहीं, चाहे उनका परिमाण (लंबाई) कुछ भी हो।

pgvector कोसाइन दूरी के लिए <#> ऑपरेटर का उपयोग करता है। कोसाइन दूरी 1 - cosine_similarity होती है। छोटी कोसाइन दूरी (0 के निकट) का अर्थ है कि वेक्टर अधिक संरेखित और समान हैं।

क्वेरी के लिए अपना डेटा तैयार करना

क्वेरी प्रदर्शित करने के लिए आइए कुछ 3-आयामी वेक्टर वाली एक सरल TABLE सेट अप करें। इससे यह सुनिश्चित होगा कि हमारे कोड स्निपेट चलाए जा सकें।

CREATE EXTENSION IF NOT EXISTS vector;

DROP TABLE IF EXISTS items;
CREATE TABLE items (
  id serial PRIMARY KEY,
  embedding vector(3)
);

INSERT INTO items (embedding) VALUES ('[1,2,3]');
INSERT INTO items (embedding) VALUES ('[1.1,2.1,3.1]');
INSERT INTO items (embedding) VALUES ('[10,20,30]');
INSERT INTO items (embedding) VALUES ('[0.9,1.9,2.9]');
INSERT INTO items (embedding) VALUES ('[1.2,2.2,3.2]');

यूक्लिडीय दूरी क्वेरी का उदाहरण

अब आइए यूक्लिडीय दूरी का उपयोग करके उन 3 आइटम को ढूँढें जिनकी एम्बेडिंग [1,2,3] के सबसे निकट है।

ध्यान दें कि <-> ऑपरेटर किस तरह काम कर रहा है!

SELECT
  id,
  embedding,
  embedding <-> '[1,2,3]' AS euclidean_distance
FROM items
ORDER BY euclidean_distance
LIMIT 3;

यूक्लिडीय परिणामों को समझना

क्वेरी चलाने पर आपको euclidean_distance कॉलम दिखाई देगा। सबसे छोटे दूरी मान वाले आइटम आपकी क्वेरी वेक्टर [1,2,3] से सबसे अधिक समान होते हैं।

उदाहरण के लिए, [1.1,2.1,3.1] की यूक्लिडीय दूरी बहुत छोटी होनी चाहिए, जो उच्च समानता दर्शाती है।

कोसाइन दूरी क्वेरी का उदाहरण

अब आइए कोसाइन दूरी का उपयोग करके समानता खोज करें। इस बार भी हम [1,2,3] के समान आइटम के लिए क्वेरी करेंगे।

<#> ऑपरेटर पर ध्यान दें। याद रखें, यह कोसाइन दूरी लौटाता है, जहाँ कम मान अधिक समानता दर्शाते हैं।

SELECT
  id,
  embedding,
  embedding <#> '[1,2,3]' AS cosine_distance
FROM items
ORDER BY cosine_distance
LIMIT 3;

कोसाइन परिणामों को समझना

cosine_distance कॉलम दिखाता है कि वेक्टर एक-दूसरे के साथ कितने संरेखित हैं। 0 के निकट मान का अर्थ है कि वेक्टर लगभग एक ही दिशा में संकेत कर रहे हैं (बहुत समान हैं)।

2 के निकट मान का अर्थ है कि वे विपरीत दिशाओं में संकेत कर रहे हैं (बहुत असमान हैं)। 1 के निकट मान का अर्थ है कि वे लंबवत हैं।

सही मेट्रिक चुनना

आपको कौन-सा मेट्रिक उपयोग करना चाहिए?

जब वेक्टर का परिमाण (लंबाई) महत्वपूर्ण हो, तब यूक्लिडीय दूरी उपयोगी होती है।
जब केवल वेक्टर की दिशा महत्वपूर्ण हो, उसकी लंबाई नहीं, तब कोसाइन समानता/दूरी को प्राथमिकता दी जाती है। यह पाठ्य एम्बेडिंग के लिए सामान्य है, जहाँ वेक्टर की लंबाई अलग-अलग हो सकती है, लेकिन दिशा अर्थ को दर्शाती है।

त्वरित जाँच: ऑपरेटर

आपने समानता क्वेरी के लिए दो महत्वपूर्ण pgvector ऑपरेटर के बारे में सीखा है। आइए अपने ज्ञान की जाँच करें!

इंटरैक्टिव पाठ में इसका उत्तर दें

पुनरावलोकन: समानता क्वेरी

बहुत अच्छा! आपने pgvector के साथ समानता क्वेरी करना सीख लिया है।

समानता को मापने के लिए हम दूरी मेट्रिक का उपयोग करते हैं।
यूक्लिडीय दूरी (<->) सीधी रेखा की दूरी मापती है।
कोसाइन दूरी (<#>) वेक्टर के बीच का कोण मापती है।
सही मेट्रिक का चुनाव इस बात पर निर्भर करता है कि आपके डेटा के लिए वेक्टर का परिमाण अधिक प्रासंगिक है या दिशा।

शुरुआत निःशुल्क

एआई शिक्षक के साथ वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector सीखें — निःशुल्क

अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।

पाठ्यक्रम: 12
पाठ: 48

निःशुल्क सीखना शुरू करें पूरा पाठ्यक्रम देखें

अक्सर पूछे जाने वाले प्रश्न

क्या “समानता क्वेरी निष्पादित करना” पाठ निःशुल्क है?

हाँ — वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector अध्ययन पथ के 3 तक कोई भी पाठ, जिसमें “समानता क्वेरी निष्पादित करना” भी शामिल है, यहाँ वेब पर पूरा पढ़ना निःशुल्क है। इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ इंटरैक्टिव अभ्यास भी उपलब्ध कराता है। वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector पाठ्यक्रम में कुल 4 पाठ शामिल हैं।

“समानता क्वेरी निष्पादित करना” में मैं क्या सीखूँगा?

अपने डेटा में निकटतम पड़ोसी खोजने के लिए pgvector ऑपरेटर का उपयोग करके मूल वेक्टर समानता क्वेरी चलाइए। आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।

क्या वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?

पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 4 में से 3वाँ पाठ है।

“समानता क्वेरी निष्पादित करना” पाठ पूरा करने में कितना समय लगता है?

CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।

क्या मैं इस वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector पाठ में कोड लिख और चला सकता हूँ?

हाँ। हर वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।

इस पाठ्यक्रम के सभी पाठ

← वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector पर वापस जाएँ