雲端時序資料庫Timescale新增向量搜尋支援AI應用

雲端時序資料庫服務Timescale不僅可用於儲存和查詢時序資料，現在也逐步拓展支援人工智慧領域，透過新增的Timescale Vector功能，官方採用近似最相鄰搜尋（Approximate Nearest Neighbor，ANN）技術，有效加速數百萬向量的搜尋。

而且由於要滿足不同應用場景的需求，Timescale Vector還提供多種索引演算法，包括受到DiskANN演算法啟發的新型索引外，還有HNSW（Hierarchical Navigable Small World）與IVFFlat（Inverted File with Flat Vector Indexing）。這些新的技術加入，使得Timescale成為多功能且高效的資料庫解決方案。

大型語言模型成為推動部分人工智慧應用程式發展的基礎，企業逐漸在其應用程式中整合人工智慧功能，而向量嵌入更是這波人工智慧熱潮的核心技術。向量嵌入將詞語和短語的語義資訊數學化，以數值向量的方式表達語義，官方提到，這樣的技術在搜尋應用中特別有用，因為允許基於語義進行搜尋，因此即便查詢和資料庫中的詞彙不完全相同也沒問題。

向量嵌入是生成式人工智慧技術的核心，可用於查詢相關的資訊，並將其作為上下文傳遞給大型語言模型，以強化大型語言模型的輸出。因此不少資料庫皆開始資源向量搜尋功能，而這也包括熱門的時序資料庫Timescale，推出向量搜尋功能Timescale Vector。

Timescale Vector是一個專門針對人工智慧應用的資料庫擴充功能，其以PostgreSQL為基礎運作。該工具針對向量資料最佳化，使得開發人員可以更快速且有效地執行近似最相鄰搜尋。ANN僅是一個廣泛的搜尋框架，專門用於大型高維資料集中，尋找一個點的最近鄰居，而Timescale Vector提供了多種索引演算法，來實現ANN搜尋。

Timescale Vector除了提供受到DiskANN演算法啟發的新型索引方法之外，還提供了PostgreSQL資料庫向量類型擴充功能pgvector中的HNSW與IVFFlat演算法。不同的演算法具有不同的優點和限制，Timescale Vector針對不同場景提供豐富的演算法，供開發者依據需求選用。

根據基準測試，對100萬個OpenAI向量嵌入執行近似最相鄰搜尋時，Timescale Vector的新索引效能比其他專用向量資料庫和現有PostgreSQL索引方法高出243％，查詢精確度達99％。

而且由於Timescale Vector索引提供了量化向量功能，能夠節省儲存空間達到10倍。量化是一種簡化向量資料的技術，目的是要減少儲存空間和加速查詢，在Timescale Vector中啟用量化功能，可讓開發者在保留相對高查詢精準度的同時，大幅減少索引大小，對於資源有限或是需要高效運作的應用非常有用。