[벡터 DB] 선택 가이드

https://claremont.tistory.com/entry/%EB%B2%A1%ED%84%B0-DB-%EC%B4%88%EB%B3%B4%EC%9E%90%EB%8F%84-%EC%89%BD%EA%B2%8C-%EC%9D%B4%ED%95%B4%ED%95%98%EB%8A%94-%EB%B2%A1%ED%84%B0-DB-%EA%B0%9C%EB%85%90

[벡터 DB] 초보자도 쉽게 이해하는 벡터 DB 개념

 

 

일단 벡터 DB란 무엇인가? 

 

기존의 관계형 데이터베이스(RDBMS)는 정형 데이터를 테이블 형식으로 저장하고 다루는 데 최적화되어 있다.

그리고 NoSQL은 이보다 더 유연한 구조로, 반정형 또는 비정형 데이터를 처리하며, 키-값, 문서, 그래프 등 다양한 형태를 지원한다.

 

그렇다면 벡터 DB는 어떤 목적을 위한 데이터베이스일까?

벡터 DB는 바로 완전한 비정형 데이터를 벡터(숫자 배열)로 변환해 저장하고 검색할 수 있도록 설계된 데이터베이스이다. 예를 들어, 이미지, 오디오, 텍스트, 영상 등의 데이터를 딥러닝 기반 임베딩 모델을 통해 고차원의 벡터로 변환한 뒤, 이를 저장하고 유사도 검색을 수행하는 데 특화되어 있다.

 

이러한 벡터 DB는 특히 최근 주목받는 생성형 AI(Generative AI) 기술, 그중에서도 RAG(Retrieval-Augmented Generation) 구조에서 핵심 역할을 한다.

질문에 대해 더 정확하고 문맥 있는 답변을 생성하기 위해, 벡터 DB에서 관련 벡터를 검색해 생성 모델에 전달하는 방식으로 사용된다.

 

 

 

1. 벡터 저장 공간의 분류

벡터를 저장할 수 있는 공간은 세 가지로 구분할 수 있다

벡터 라이브러리에서는 Faiss, Annoy가 유명하다

 

 

 

2. 주요 벡터 DB 비교

각 벡터 데이터베이스의 특징, 장점, 단점은 다음과 같다

ChromaDB와 Pinecone이 유명하다

 

 

 

3. 그러면 어떤 벡터 DB를 선택해야 할까?

백엔드 개발자는 API와 클라우드에 특화된 Pinecone이 잘 맞을 수 있다!

 

 

 

벡터 DB는 단순한 검색 도구가 아니라, AI 응용 시스템의 핵심 인프라이다. 어떤 DB를 선택하느냐에 따라 성능, 확장성, 관리 편의성이 크게 달라질 수 있으므로 목적에 맞는 선택이 필요하다. 초기에는 Chroma나 Faiss로 실험을 시작하고, 점차 Pinecone, Weaviate, Milvus와 같은 고성능 DB로 확장하는 접근도 좋은 전략이 될 수 있다!

 

 

 

+ 개인적인 생각

 

기존의 DB가 구조화된 정보 중심이었다면, 벡터 DB는 비정형 데이터 시대에 걸맞은 새로운 저장 방식이라 느껴진다.

‘정답’이 정해지지 않은 복잡한 데이터를 다루는 데 있어, 사람이 이해하기 쉬운 방식이 아니라 기계가 유사성을 계산할 수 있는 방식(벡터)으로 데이터를 저장하고 검색한다는 점이 인상 깊었다.

 

앞으로 생성형 AI가 더 발전함에 따라, 벡터 DB는 단순한 보조 도구가 아니라 AI 서비스의 핵심 인프라로 자리잡을 가능성이 높다고 생각한다. 나 역시 프로젝트나 실험을 통해 직접 벡터 DB를 다뤄보며 그 흐름을 체감해보니 실로 놀라웠다. 완전 놀랄 노자야~

 

 

(벡터 DB 활용 프로젝트) - ChromaDB

https://github.com/imclaremont/lawbot-project

GitHub - imclaremont/lawbot-project: 개인정보 보호법 기반 AI 법률 지원 서비스