Przejdź do treści
promptowy.com / AI-ordbog / Vektordatabase (Vector Database)
Teknologi

Vektordatabase (Vector Database)

En vektordatabase er et lagringssystem, der gemmer data som matematiske vektorer og finder information baseret på betydning frem for præcise ord.

En vektordatabase er en specialiseret type database, der er bygget til at gemme, indeksere og lynhurtigt søge i matematiske talrækker, kendt som vektorer eller embeddings. Hvor en traditionel relationsdatabase leder efter præcise værdier som et specifikt CPR-nummer, et kundenummer eller et nøgleord, leder en vektordatabase efter betydningsmæssig lighed. Den gør det muligt for computere at besvare spørgsmålet: hvad minder mest om dette indhold?

Vektordatabaser udgør rygraden i mange moderne AI-løsninger, især når sprogmodeller skal hente fakta fra eksterne kilder uden at hallucinere. Ved at omsætte tekst, billeder eller lyd til flerdimensionelle koordinater kan systemet finde relevante informationer på tværs af synonymer, sprogbarrierer og forskellige formuleringer.

Sådan fungerer semantisk søgning i praksis

Når en computer skal forstå en sætning, omdanner en embedding-model ordene til en lang række tal, ofte flere hundrede eller tusinde dimensioner. Disse tal placerer teksten i et matematisk rum, hvor begreber med beslægtet betydning ender tæt på hinanden. Ordene cykelsti og transportmiddel lander for eksempel tættere på hinanden end cykelsti og regnskabsføring.

Når en bruger stiller et spørgsmål i et system drevet af en vektordatabase, sker processen i faste trin:

  • Spørgsmålet konverteres til en vektor via den samme matematiske model, som indekserede dataene.
  • Vektordatabasen måler afstanden mellem brugerens vektor og millioner af gemte vektorer ved hjælp af metoder som cosinus-lighed eller euklidisk afstand.
  • De punkter i databasen, der ligger tættest på forespørgslen i det matematiske rum, returneres som de mest relevante svar.

Et lokalt eksempel: Den digitale kommuneskranke

Forestil dig en borgerservice i Aarhus eller Svendborg, som modtager tusindvis af borgerhenvendelser om affaldssortering, byggesager og pasbestilling. En borger skriver i en digital selvbetjeningsportal: Hvor må jeg smide min gamle stegepande ud?

I et traditionelt søgesystem finder borgeren måske intet, fordi kommunens officielle affaldsregulativ bruger vendinger som metallisk husholdningsaffald eller genbrugsstationens container til jern og metal. Ordet stegepande optræder måske slet ikke i regulativet.

Med en vektordatabase forstår systemet meningen. Modellen ved, at en stegepande er et køkkenredskab lavet af metal, og leder efter afsnit i kommunens vejledninger, der behandler lignende emner. Vektordatabasen finder det relevante afsnit om metalaffald frem på et splitsekund og gør det muligt for en AI-assistent at svare borgeren korrekt med det samme.

Vektordatabasens rolle i RAG-systemer

Inden for virksomheds-AI fungerer vektordatabasen som selve motoren i Retrieval-Augmented Generation, forkortet RAG. Store sprogmodeller har en fast viden fra deres træning, men de kender ikke en privat virksomheds interne manualer eller aftaler. Hvis en dansk rådgivningsvirksomhed vil bygge en intern hjælper til sine konsulenter, skæres alle rapporter, notater og præsentationer ud i mindre tekstbidder.

Hver bid omdannes til en vektor og gemmes i vektordatabasen. Når en konsulent stiller et spørgsmål om en specifik projektmetode, finder databasen de tre mest relevante tekststykker frem. Disse tekststykker sendes derefter videre til sprogmodellen sammen med konsulentens spørgsmål. Modellen fungerer her som en velskrivende assistent, der udelukkende formulerer et svar baseret på de verificerede fakta fra databasen.

En udbredt misforståelse om vektordatabaser

En almindelig fejl blandt teams, der implementerer AI, er at tro, at en vektordatabase helt kan erstatte traditionelle databaser som SQL. Det er en misforståelse. En vektordatabase er fremragende til at vurdere sandsynlighed og betydningsmæssig lighed, men den er elendig til eksakt logik.

Hvis du beder en vektordatabase om at finde alle fakturaer fra marts måned, der overstiger præcis ti tusind kroner, risikerer du upræcise resultater baseret på tekstlig lighed frem for reel talfiltrering. De mest robuste IT-arkitekturer anvender derfor hybridsøgning, hvor traditionel nøgleords- og metadatafiltrering kombineres med vektordatabasens semantiske forståelse.

Ofte stillede spørgsmål

Hvad er forskellen på en almindelig database og en vektordatabase?

En almindelig database søger efter præcise matches på ord, tal eller felter, mens en vektordatabase søger efter begreber med lignende betydning ud fra matematiske afstande.

Hvorfor er vektordatabaser vigtige for kunstig intelligens?

De gør det muligt for sprogmodeller lynhurtigt at finde specifikke og relevante dokumenter i store datamængder, hvilket forhindrer fejl og giver præcise svar baseret på virksomhedens egne data.

Kan en vektordatabase kun håndtere tekst?

Nej, enhver form for data, der kan omdannes til en matematisk vektor, kan gemmes. Det gælder både billeder, lydklip, video og sensordata.

Hvad betyder cosinus-lighed i en vektordatabase?

Cosinus-lighed er en matematisk beregning af vinklen mellem to vektorer, som bruges til at afgøre, hvor tæt to tekster eller objekter er på hinanden i betydning uanset tekstens længde.

← Alle begreber i AI-ordbogen

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›