벡터 데이터베이스란 무엇인가요?

벡터 데이터베이스는 정보를 숫자로 저장합니다. 벡터 데이터베이스는 특징이나 속성의 수학적 표현인 고차원 벡터로 데이터를 저장하는 데이터베이스 유형입니다. ( 출처 ) 이를 통해 빠르고 정확한 유사도 검색이 가능해집니다. 벡터 데이터베이스를 사용하면 기존의 데이터베이스 쿼리 대신 의미론적, 문맥적 의미를 기반으로 관련 데이터를 검색할 수 있습니다. 간단한 예시 # 벡터 데이터베이스는 "n8n is a source-available automation tool that you can self-host"라는 문장을 저장할 수 있지만, 이를 텍스트로 저장하는 대신 그 특징을 나타내는 차원 배열(0과 1 사이의 숫자)로 저장합니다. 이는 문장의 각 글자를 숫자로 바꾼다는 의미가 아닙니다. 대신 벡터 데이터베이스의 벡터는 문장을 묘사합니다. 벡터 스토어에서 0.1 은 automation tool 을, 0.2 는 source available 을, 0.3 은 can be self-hosted 를 나타낸다고 가정해 보겠습니다. 그러면 다음과 같은 벡터를 얻을 수 있습니다. 문장 벡터 (차원 배열) n8n is a source-available automation tool that you can self-host [0.1, 0.2, 0.3] Zapier is an automation tool [0.1] Make is an automation tool [0.1] Confluence is a wiki tool that you can self-host [0.3] Note 이 예시는 매우 단순화된 것입니다 실제로는 벡터가 훨씬 더 복잡합니다. 벡터의 크기는 수십 개에서 수천 개의 차원에 이를 수 있습니다. 각 차원은 단일 특징과 일대일 관계를 갖지 않으므로 개별 차원을 단일 개념으로 직접 변환할 수는 없습니다. 이 예시는 대략적인 사고 모델을 제공할 뿐, 진정한 기술적 이해를 제공하지는 않습니다. 유사도 검색의 힘을 보여주는 예시 # Qdrant는 사용자가 벡터 데이터베이스의 힘을 이해하도록 돕기 위해 벡터 검색 데모 를 제공합니다. 음식 발견 데모 는 벡터 스토어가 시각적 유사성을 기반으로 이미지를 매칭하는 데 어떻게 도움이 되는지 보여줍니다. 이 데모는 Delivery Service의 데이터를 사용합니다. 사용자는 요리 사진에 좋아요 또는 싫어요를 표시할 수 있으며, 앱은 외관을 기준으로 더 유사한 요리를 추천합니다. 배달 반경 내 레스토랑의 결과만 볼 수 있도록 선택하는 것도 가능합니다. ( 출처 ) 전체 기술적 세부 사항은 Qdrant demo-food-discovery GitHub 리포지터리 를 참고하세요. 임베딩, 리트리버, 텍스트 분할기, 문서 로더 # 벡터 데이터베이스가 작동하려면 다른 도구가 필요합니다. 문서 로더 및 텍스트 분할기: 문서 로더는 문서와 데이터를 가져와 임베딩 1 을 위해 준비합니다. 문서 로더는 텍스트 분할기를 사용해 문서를 청크로 나눌 수 있습니다. 임베딩: 데이터(텍스트, 이미지 등)를 벡터로 바꾸고, 다시 원시 데이터로