벡터 데이터베이스란 무엇인가
벡터 데이터베이스는 고차원 벡터 임베딩을 저장하고 인덱싱하여 AI 및 머신 러닝 애플리케이션에서 효율적인 유사성 검색을 가능하게 합니다.
벡터 데이터베이스는 머신 러닝 모델에서 생성된 데이터의 수치적 표현인 벡터 임베딩을 저장하고 쿼리하도록 설계되었습니다. 이러한 임베딩은 의미론적 의미를 포착하여 유사성 검색을 가능하게 합니다. 정확한 일치에 초점을 맞춘 기존 데이터베이스와 달리, 벡터 데이터베이스는 벡터 표현을 기반으로 유사한 항목을 찾는 데 탁월합니다. 따라서 이미지 및 텍스트 검색, 추천 시스템, 이상 감지 등과 같은 애플리케이션에 이상적입니다. 근사 최근접 이웃(ANN) 알고리즘과 같은 특수 인덱싱 기술을 사용하여 고차원 공간에서 유사성 검색 속도를 높입니다.
벡터 데이터베이스는 현대 AI 애플리케이션에 매우 중요합니다. 머신 러닝 모델에서 생성된 방대한 양의 데이터를 효율적으로 관리하고 쿼리하는 데 필요한 인프라를 제공합니다. 빠른 유사성 검색을 통해 유사한 문서를 찾고, 제품을 추천하고, 복잡한 데이터 세트에서 패턴을 식별하는 등의 작업을 용이하게 합니다. 이러한 작업을 빠르고 정확하게 수행하는 능력은 많은 AI 기반 애플리케이션의 성공에 필수적입니다.
graph LR
Center["벡터 데이터베이스란 무엇인가"]:::main
Pre_linear_algebra["linear-algebra"]:::pre --> Center
click Pre_linear_algebra "/terms/linear-algebra"
Pre_embeddings["embeddings"]:::pre --> Center
click Pre_embeddings "/terms/embeddings"
Pre_machine_learning["machine-learning"]:::pre --> Center
click Pre_machine_learning "/terms/machine-learning"
Rel_nosql["nosql"]:::related -.-> Center
click Rel_nosql "/terms/nosql"
Rel_prompt_engineering["prompt-engineering"]:::related -.-> Center
click Rel_prompt_engineering "/terms/prompt-engineering"
Rel_semantic_search["semantic-search"]:::related -.-> Center
click Rel_semantic_search "/terms/semantic-search"
classDef main fill:#7c3aed,stroke:#8b5cf6,stroke-width:2px,color:white,font-weight:bold,rx:5,ry:5;
classDef pre fill:#0f172a,stroke:#3b82f6,color:#94a3b8,rx:5,ry:5;
classDef child fill:#0f172a,stroke:#10b981,color:#94a3b8,rx:5,ry:5;
classDef related fill:#0f172a,stroke:#8b5cf6,stroke-dasharray: 5 5,color:#94a3b8,rx:5,ry:5;
linkStyle default stroke:#4b5563,stroke-width:2px;
🧠 지식 테스트
🧒 5살도 이해할 수 있게 설명
📍 A [database](/ko/terms/database) that finds information based on how 'similar' it is to your request, allowing AI to have a long-term memory.
🤓 Expert Deep Dive
## Why RAG Needs a Vector DB
Retrieval-Augmented Generation (RAG) is the gold standard for reducing AI hallucinations. Instead of relying on a model's static, outdated training data, we store our company's private documents in a vector database. When a user asks a question, we retrieve the top 3-5 most relevant text chunks (nearest neighbors) and pass them to the LLM. The LLM then answers the question using only those chunks as evidence. This turns the AI into a librarian who looks up facts rather than a storyteller who makes them up.