Búsqueda de K-vecino más cercano (K-nn) en Amazon Service OpenSearch

K-nn for Amazon OpenSearch Service, abreviatura de su algoritmo asociado de k-vecinos más cercanos, te permite buscar puntos en un espacio vectorial y encontrar los «vecinos más cercanos» de esos puntos por distancia euclidiana o similitud de coseno. Los casos de uso incluyen recomendaciones (por ejemplo, una característica de “otras canciones que podrían gustarte” en una aplicación de música), reconocimiento de imágenes y detección de fraude.

nota

En esta documentación se describe la compatibilidad de versiones entre el OpenSearch Servicio y varias versiones del complemento K-nn, así como las limitaciones a la hora de utilizar el complemento con el Servicio gestionado. OpenSearch Para obtener una documentación completa del complemento k-NN, que incluye ejemplos simples y complejos, referencias de parámetros y la referencia completa de la API del complemento, consulte la documentación de código abierto. OpenSearch La documentación de código abierto también cubre el ajuste del rendimiento y la configuración de clústeres específica de K-NN.

Usa las siguientes tablas para encontrar la versión del complemento k-NN que se ejecuta en tu dominio de Amazon OpenSearch Service. Cada versión del complemento k-NN corresponde a una o a una OpenSearchversión de Elasticsearch.

OpenSearch
OpenSearch versión	Versión del complemento k-NN	Características notables
2.13	2.13.0.0
2.11	2.11.0.0	Se agregó soporte para ignore_unmapped en consultas k-NN
2.9	2.9.0.0	Se implementaron vectores de bytes k-NN y un filtrado eficiente con el motor Faiss
2.7	2.7.0.0
2,5	2.5.0.0	Ampliado SystemIndexPlugin para el índice de sistemas modelo K-nN, se han añadido extensiones de archivo específicas para Lucene al núcleo de HybridFS
2.3	2.3.0.0
1.3	1.3.0.0
1.2	1.2.0.0	Se agregó compatibilidad con la biblioteca Faiss
1.1	1.1.0.0
1.0	1.0.0.0	API de REST renombradas mientras admite la compatibilidad con versiones anteriores, espacio de nombres renombrado de opendistro a opensearch

Elasticsearch
Versión de Elasticsearch	Versión del complemento k-NN	Características notables
7.1	1.3.0.0	Distancia euclidiana
7.4	1.4.0.0
7.7	1.8.0.0	Similitud coseno
7.8	1.9.0.0
7.9	1.11.0.0	Periodo de preparación de la API, puntuación personalizada
7,10	1.13.0.0	Distancia de Hamming, distancia de norma L1, scripting Painless

Introducción a k-NN

Para utilizar k-NN, debe crear un índice con la configuración index.knn y agregar uno o más campos del tipo de datos knn_vector.

PUT my-index
{
  "settings": {
    "index.knn": true
  },
  "mappings": {
    "properties": {
      "my_vector1": {
        "type": "knn_vector",
        "dimension": 2
      },
      "my_vector2": {
        "type": "knn_vector",
        "dimension": 4
      }
    }
  }
}

El tipo de datos knn_vector admite una sola lista de hasta 10 000 flotadores, con el número de flotadores definido por el parámetro dimension requerido. Después de crear el índice, agregue algunos datos.

POST _bulk
{ "index": { "_index": "my-index", "_id": "1" } }
{ "my_vector1": [1.5, 2.5], "price": 12.2 }
{ "index": { "_index": "my-index", "_id": "2" } }
{ "my_vector1": [2.5, 3.5], "price": 7.1 }
{ "index": { "_index": "my-index", "_id": "3" } }
{ "my_vector1": [3.5, 4.5], "price": 12.9 }
{ "index": { "_index": "my-index", "_id": "4" } }
{ "my_vector1": [5.5, 6.5], "price": 1.2 }
{ "index": { "_index": "my-index", "_id": "5" } }
{ "my_vector1": [4.5, 5.5], "price": 3.7 }
{ "index": { "_index": "my-index", "_id": "6" } }
{ "my_vector2": [1.5, 5.5, 4.5, 6.4], "price": 10.3 }
{ "index": { "_index": "my-index", "_id": "7" } }
{ "my_vector2": [2.5, 3.5, 5.6, 6.7], "price": 5.5 }
{ "index": { "_index": "my-index", "_id": "8" } }
{ "my_vector2": [4.5, 5.5, 6.7, 3.7], "price": 4.4 }
{ "index": { "_index": "my-index", "_id": "9" } }
{ "my_vector2": [1.5, 5.5, 4.5, 6.4], "price": 8.9 }

A continuación, puede buscar los datos mediante el tipo de consulta knn.

GET my-index/_search
{
  "size": 2,
  "query": {
    "knn": {
      "my_vector2": {
        "vector": [2, 3, 5, 6],
        "k": 2
      }
    }
  }
}

En este caso, k es el número de vecinos que desea que devuelva la consulta, pero también debe incluir la opción size. De lo contrario, obtendrá k resultados para cada partición (y cada segmento) en lugar de k resultados para toda la consulta. k-NN admite un valor de k máximo de 10 000.

Si mezcla la consulta knn con otras cláusulas, es posible que reciba menos resultados k. En este ejemplo, la cláusula post_filter reduce el número de resultados de 2 a 1.

GET my-index/_search
{
  "size": 2,
  "query": {
    "knn": {
      "my_vector2": {
        "vector": [2, 3, 5, 6],
        "k": 2
      }
    }
  },
  "post_filter": {
    "range": {
      "price": {
        "gte": 6,
        "lte": 10
      }
    }
  }
}

Si necesita gestionar un gran volumen de consultas y, al mismo tiempo, mantener un rendimiento óptimo, puede utilizar la API _msearch para crear una búsqueda masiva con JSON y enviar una única solicitud para realizar varias búsquedas:

GET _msearch
{ "index": "my-index"}
{ "query": { "knn": {"my_vector2":{"vector": [2, 3, 5, 6],"k":2 }} } }
{ "index": "my-index", "search_type": "dfs_query_then_fetch"}
{ "query": { "knn": {"my_vector1":{"vector": [2, 3],"k":2 }} } }

En el siguiente video se muestra cómo configurar búsquedas vectoriales masivas para consultas K-NN.

Diferencias, ajuste y limitaciones de k-NN

OpenSearch le permite modificar todos los ajustes de k-NN mediante la API. _cluster/settings En el OpenSearch Servicio, puedes cambiar todos los ajustes excepto knn.memory.circuit_breaker.enabled yknn.circuit_breaker.triggered. Las estadísticas de K-nn se incluyen como métricas de Amazon CloudWatch .

En concreto, compara la KNNGraphMemoryUsage métrica de cada nodo de datos con la knn.memory.circuit_breaker.limit estadística y la RAM disponible para el tipo de instancia. OpenSearch El servicio utiliza la mitad de la RAM de una instancia para el montón de Java (hasta un tamaño de pila de 32 GiB). De forma predeterminada, k-NN utiliza hasta el 50 % de la mitad restante, por lo que un tipo de instancia con 32 GiB de RAM puede acomodar 8 GiB de gráficos (32 * 0,5 * 0,5). El rendimiento puede verse afectado si el uso de la memoria gráfica supera este valor.

No puedes migrar un índice k-NN a un almacenamiento en frío UltraWarmsi el índice usa aproximadamente k-NN (). "index.knn": true Si index.knn está configurado en false (k-NN exacto), aún puede mover el índice a otros niveles de almacenamiento.