Przejdź do treści
promptowy.com / Tekoälysanasto / Vektoritietokanta (vector database)
Teknologia

Vektoritietokanta (vector database)

Vektoritietokanta on erikoistunut tietokanta, joka tallentaa dataa numeroavaruuden pisteinä ja etsii tietoa merkityksen eikä pelkkien avainsanojen perusteella.

Vektoritietokanta on tekoälysovelluksille suunniteltu moderni tietojärjestelmä, joka tallentaa ja indeksoi tietoa moniulotteisina numerojonoina eli upotuksina (embeddings). Toisin kuin perinteinen relaatiotietokanta, joka etsii täsmällisiä sanoja tai vastaavuuksia taulukoista, vektoritietokanta etsii sisältöä merkityksen, asiayhteyden ja samankaltaisuuden pohjalta.

Kun perinteiselle hakukoneelle tekee haun, se kysyy, mistä dokumentista löytyy tarkalleen sana X. Vektoritietokanta taas vastaa kysymykseen siitä, mikä dokumentti tai lause tarkoittaa suurin piirtein samaa asiaa kuin syötetty kysymys. Tämä tekee siitä ratkaisevan tärkeän komponentin nykyaikaisessa tekoälykehityksessä.

Miten vektoritietokanta toimii matematiikan avulla?

Tietokoneet eivät ymmärrä sanojen tai kuvien inhimillistä merkitystä sellaisenaan. Tätä varten tekstikappaleet, kuvat tai äänet muunnetaan erillisen koneoppimismallin avulla pitkiksi vektorilistoiksi, jotka sijoittuvat satojen tai tuhansien ulottuvuuksien avaruuteen. Jos kaksi tekstiä käsittelee samankaltaista aihetta, niiden vektorit päätyvät tässä avaruudessa lähelle toisiaan.

Vektoritietokannan tehtävä on laskea näiden vektorien välinen etäisyys mahdollisimman tehokkaasti. Se käyttää matemaattisia menetelmiä, kuten kosinisamankaltaisuutta tai euklidista etäisyyttä. Koska miljoonien monimutkaisten vektorien vertailu toisiinsa olisi liian hidasta, tietokannat hyödyntävät likimääräisiä lähimmän naapurin algoritmeja (kuten ANN, approximate nearest neighbors), joiden avulla oikeat vastaukset löytyvät millisekunneissa.

Käytännön esimerkki: tamperelainen rengasliike ja asiakaspalvelu

Kuvitellaan tamperelainen autohuolto ja rengasliike, joka ottaa käyttöönsä tekoälypohjaisen asiakaspalvelurobotin. Yrityksen ohjeistuksissa on satoja sivuja tietoa renkaiden vaihdosta, kausisäilytyksestä ja lakisääteisistä kulutuspintavaatimuksista.

Jos asiakas kirjoittaa chattiin arkisella puhekielellä: "Voiko näillä kesäkiekoilla enää ajaa vai sakottaako poliisi?", perinteinen sanahaku saattaa epäonnistua täysin, koska yrityksen virallisissa teksteissä käytetään termejä kuten urasyvyys, kulutuspinta ja kesärengas.

Vektoritietokanta osaa yhdistää puhekielisen ilmaisun ja virallisen dokumentaation toisiinsa. Se tunnistaa, että kysymys käsittelee renkaiden kulumista ja turvallisuusmääräyksiä. Tietokanta löytää oikean kappaleen huolto-oppaasta hetkessä ja toimittaa sen tekoälymallille, joka laatii asiakkaalle selkeän ja asiantuntevan vastauksen yrityksen omalla kielellä.

RAG-järjestelmien tärkein moottori

Vektoritietokannat ovat suora perusta RAG-tekniikalle (Retrieval-Augmented Generation), jolla suuria kielimalleja opetetaan käyttämään yrityksen omia, suljettuja aineistoja ilman kallista uudelleenkoulutusta. Tyypillinen tiedonhakuprosessi etenee seuraavasti:

  1. Aineiston pilkkominen: Laajat tekstit, kuten sopimukset, intranet-sivut tai tuotetiedot, jaetaan pienempiin loogisiin tekstikatkelmiin.
  2. Upotusten luonti: Nämä tekstikatkelmat syötetään upotusmallille, joka muuntaa jokaisen palan numerovektoriksi.
  3. Tallennus: Vektorit ja niihin liittyvät alkuperäiset tekstinpätkät tallennetaan vektoritietokantaan.
  4. Kyselyn vektorointi: Kun loppukäyttäjä kysyy jotain, kysymys muunnetaan samalla mallilla vektoriksi.
  5. Merkityshaku ja vastaus: Vektoritietokanta poimii merkitykseltään lähimmät tekstikappaleet ja syöttää ne kielimallille kontekstiksi, jolloin malli vastaa faktoihin nojaten eikä hallusinoi.

Yleisimmät virheet ja harhaluulot

Yleinen harhaluulo on kuvitella, että vektoritietokanta korvaa perinteisen tietokannan kokonaan. Näin ei ole. Jos verkkokaupan täytyy tietää tarkka varastosaldo, asiakkaan henkilötunnus tai tuotteen hinta, perinteinen relaatiotietokanta on edelleen luotettavin ja nopein työkalu. Vektoritietokannat ovat parhaimmillaan jäsentämättömän tiedon, kuten vapaan tekstin, äänen ja kuvien, semanttisessa ymmärtämisessä.

Toinen tyypillinen sudenkuoppa liittyy datan esikäsittelyyn. Jos teksti pilkotaan liian suuriin paloihin, sen merkitys laimenee liikaa yhdessä vektorissa. Jos taas palat ovat liian pieniä, laajempi asiayhteys katoaa. Menestyksekkäässä vektoritietokantatoteutuksessa tekstin fiksu jäsentely ja laadukkaan upotusmallin valinta ovat yhtä tärkeitä kuin itse tietokantaohjelmisto.

Usein kysytyt kysymykset

Miten vektoritietokanta eroaa tavallisesta SQL-tietokannasta?

SQL-tietokanta etsii täsmällisiä arvoja, avaimia tai suoria merkkijono-osumia ennalta määrätyistä sarakkeista. Vektoritietokanta puolestaan vertailee tietojen sisällöllistä merkitystä ja laskee, kuinka lähellä eri käsitteet ovat toisiaan moniulotteisessa numeroavaruudessa.

Voiko vektoritietokantaan tallentaa kuvia tai ääntä?

Kyllä voi. Kunhan kuva tai äänitiedosto ajetaan sellaisen tekoälymallin läpi, joka tuottaa moniulotteisia upotuksia, myös visuaalista tai auditiivista sisältöä voidaan tallentaa ja hakea samankaltaisuuden perusteella.

Tarvitseeko jokainen tekoälysovellus vektoritietokannan?

Ei tarvitse. Yksinkertaiset sovellukset, jotka vastaavat kysymyksiin ilman laajaa ulkopuolista tietopankkia, eivät vaadi vektoritietokantaa. Se tulee välttämättömäksi silloin, kun tekoälyn täytyy hakea ajantasaista tai yrityskohtaista tietoa tuhansista eri dokumenteista.

← Kaikki tekoälysanaston termit

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