Vector DB

고차원 벡터를 저장하고 유사도 기반 검색에 특화된 데이터베이스로, AI 임베딩 모델의 출력을 저장·검색하는 데 사용됩니다.

핵심 개념

임베딩 (Embedding)

텍스트, 이미지 등 비정형 데이터를 고차원 숫자 벡터로 변환한 것. 의미적으로 유사한 데이터는 벡터 공간에서 가까이 위치.

"강아지" → [0.12, 0.85, -0.33, 0.61, ...]  (수백~수천 차원)
"개"     → [0.11, 0.83, -0.35, 0.59, ...]  ← 의미 유사 → 벡터도 유사
"자동차" → [-0.72, 0.03, 0.91, -0.44, ...]  ← 의미 다름 → 벡터도 멈

유사도 측정 방법

1. 코사인 유사도 (Cosine Similarity)
   → 벡터 방향의 각도로 측정 (크기 무관)
   → -1 ~ 1, 1에 가까울수록 유사
   → 텍스트 의미 유사도에 가장 많이 사용

2. 유클리드 거리 (L2 Distance)
   → 두 벡터 간 직선 거리
   → 낮을수록 유사

3. 내적 (Dot Product)
   → 크기와 방향 모두 반영
   → 정규화된 벡터에서는 코사인 유사도와 동일

인덱싱 — HNSW

벡터 검색의 핵심 인덱스 구조. 정확한 최근접 이웃 탐색(Exact KNN)은 O(n)이라 수백만 건에서 느림 → HNSW(Hierarchical Navigable Small World) 로 근사 탐색.

[ HNSW 구조 ]

Layer 2 (희소):  1 ─────── 5
Layer 1 (중간):  1 ─ 3 ─ 5 ─ 7
Layer 0 (전체):  1─2─3─4─5─6─7─8─9

탐색: 상위 레이어에서 넓게 진입 → 하위 레이어로 내려가며 정밀화
→ O(log n) 근사 탐색

주요 Vector DB 비교

	Chroma DB	Pinecone	Weaviate	pgvector
타입	오픈소스, 로컬	관리형 SaaS	오픈소스	PostgreSQL 확장
배포	온프레미스/클라우드	클라우드 전용	온프레미스/클라우드	PostgreSQL 위
특징	가볍고 간단, Python 친화	완전 관리형	GraphQL 지원	RDB와 함께 사용
적합	프로토타이핑, 온프레미스	빠른 프로덕션	멀티모달	기존 PG 활용

RDB vs Vector DB

	RDB	Vector DB
검색 방식	정확 일치, 범위 검색	유사도 기반 근사 검색
데이터 타입	정형 데이터	고차원 벡터
인덱스	B-Tree, Hash	HNSW, IVF
쿼리 언어	SQL	API (벡터 + 메타데이터 필터)
사용 예	사용자 정보, 주문	시맨틱 검색, RAG, 추천

활용 패턴 — RAG

[ 문서 임베딩 (오프라인) ]
문서 → 임베딩 모델 → 벡터 → Vector DB 저장

[ 검색 (런타임) ]
질문 → 임베딩 모델 → 쿼리 벡터
                         ↓
              Vector DB 유사도 검색 → Top-K 문서
                         ↓
              LLM에 질문 + 문서 컨텍스트 주입 → 답변

→ RAG

핵심 정리

의미적으로 유사한 데이터를 찾는 것이 목적 — 키워드 매칭이 아닌 벡터 거리 기반
HNSW 인덱스로 수백만 건에서도 O(log n) 근사 탐색 가능
RDB와 함께 사용하는 경우가 많음 — pgvector로 PostgreSQL에 통합하거나, 별도 Vector DB + RDB 메타데이터 조인

→ RAG | NoSQL | Elasticsearch