Przejdź do treści
promptowy.com / AI 용어 사전 / 벡터 데이터베이스 (Vector DB)
기술

벡터 데이터베이스 (Vector DB)

데이터를 숫자의 나열인 임베딩으로 변환해 저장하고, 의미적 유사성을 기반으로 가장 가까운 정보를 빠르게 찾아내는 전문 데이터베이스.

벡터 데이터베이스(Vector Database)는 텍스트, 이미지, 음성 등 비정형 데이터를 고차원 숫자 배열인 임베딩(Embedding) 형태로 저장하고 관리하는 특수 데이터베이스입니다. 전통적인 데이터베이스가 특정 단어의 일치 여부나 정확한 숫자 값을 기준으로 자료를 찾는다면, 벡터 데이터베이스는 데이터가 담고 있는 의미의 유사도를 계산하여 가장 가까운 정보를 찾아냅니다.

최근 거대언어모델(LLM)과 결합한 검색 증강 생성(RAG) 시스템이 확산되면서, 방대한 문서 속에서 질문과 관련된 지식을 실시간으로 찾아 AI 모델에 제공하는 핵심 인프라로 자리 잡았습니다.

키워드 검색과 의미 검색의 차이

기존 관계형 데이터베이스(RDB)나 키워드 기반 검색 엔진에서는 사용자가 검색창에 입력한 단어가 본문에 그대로 들어있는지가 가장 중요했습니다. 예를 들어 '전세 계약 주의점'을 찾으려 할 때, 문서에 '임대차 유의사항'이라고만 적혀 있다면 정확한 단어가 일치하지 않아 검색 결과에서 누락되기 쉬웠습니다.

벡터 데이터베이스는 이러한 한계를 수학적 거리 계산으로 극복합니다. AI 모델을 통해 문장의 맥락을 수백에서 수천 개의 실수 값으로 변환하면, 의미가 비슷한 문장은 다차원 공간에서 서로 가까운 위치에 배치됩니다. 벡터 데이터베이스는 사용자의 질문을 같은 공간에 배치한 뒤, 질문 좌표와 가장 거리가 가까운 문서를 빠르게 추려냅니다.

RAG 시스템이 동작하는 단계

벡터 데이터베이스는 사내 지식 기반 AI 챗봇을 구현할 때 필수적인 역할을 합니다. 일반적인 구축 흐름은 다음과 같습니다.

  1. 문서 분할과 임베딩: 사내 규정집, 제품 매뉴얼 등의 긴 문서를 작은 단락 단위로 쪼갠 뒤 임베딩 모델을 거쳐 벡터로 변환합니다.
  2. 벡터 저장: 생성된 벡터와 원본 텍스트 조각을 벡터 데이터베이스에 함께 색인(Index)하여 저장합니다.
  3. 유사도 검색: 사용자가 질문을 던지면 질문 역시 벡터로 변환되어, 데이터베이스 내에서 코사인 유사도 등이 가장 높은 관련 문서 조각들을 즉시 추출합니다.
  4. 답변 생성: 찾아낸 문서 조각들을 AI 모델의 문맥 프롬프트에 첨부하여, 환각 현상 없이 정확한 답변을 작성하도록 유도합니다.

생활 속 적용 사례: 구청 민원 안내 챗봇

서울시의 한 구청에서 주민 민원 상담용 AI 챗봇을 운영한다고 가정해 보겠습니다. 구청 홈페이지에는 '출산 축하금 지원 조례', '영유아 양육수당 신청 절차', '모자보건 사업 안내' 등 수많은 조례와 공고가 나뉘어 등록되어 있습니다.

한 주민이 챗봇에 '아이 낳으면 구청에서 주는 돈이 뭐가 있나요?'라고 구어체로 질문했을 때, 과거의 키워드 검색 엔진은 '돈'이나 '아이 낳으면'이라는 단어가 포함된 공지만 찾으려 해 빈손으로 끝날 수 있었습니다. 하지만 벡터 데이터베이스가 적용된 시스템은 이 질문이 '출산 축하금', '양육 바우처'와 의미상 가장 가깝다는 점을 파악합니다. 그 결과 관련 복지 지원 규정을 정확히 찾아내 주민에게 친절하게 요약해 줍니다.

도입 시 흔히 하는 오해

벡터 데이터베이스를 도입할 때 흔히 하는 실수는 이를 기존 관계형 데이터베이스의 완벽한 대체재로 생각하는 것입니다. 결제 내역, 은행 계좌 잔고, 회원 비밀번호처럼 단 1원의 오차나 철자 불일치도 허용되지 않는 정형 데이터는 여전히 전통적인 데이터베이스가 훨씬 안전하고 적합합니다.

또한 벡터 데이터베이스는 대략적으로 가장 가까운 이웃을 찾는 근사 최근접 이웃(ANN) 알고리즘을 주로 사용하므로, 100% 완벽한 정답 하나를 짚어내기보다는 맥락상 가장 유력한 후보군을 빠르게 걸러내는 용도로 설계되어 있습니다. 따라서 비즈니스 특성에 맞게 키워드 검색과 벡터 검색을 함께 묶어 사용하는 하이브리드 검색 전략을 세우는 것이 실무에서 권장됩니다.

자주 묻는 질문

기존 데이터베이스를 전부 벡터 DB로 바꿔야 하나요?

아닙니다. 회원 정보나 결제 내역처럼 정확한 일치가 필요한 정형 데이터는 기존 관계형 데이터베이스가 적합하며, 벡터 데이터베이스는 문서 검색이나 이미지 추천 같은 비정형 데이터 의미 분석에 보조적으로 병행하는 것이 일반적입니다.

벡터 데이터베이스의 대표적인 종류는 무엇이 있나요?

벡터 전용으로 설계된 파인콘(Pinecone), 밀버스(Milvus), 크로마(Chroma), 위비에이트(Weaviate) 등이 널리 쓰이며, 기존 데이터베이스에 확장 기능을 더한 pgvector(PostgreSQL 기반) 등도 자주 활용됩니다.

임베딩과 벡터 데이터베이스는 어떤 관계인가요?

임베딩은 텍스트나 이미지의 의미를 숫자의 나열로 변환하는 결과물이고, 벡터 데이터베이스는 그 수많은 숫자 배열을 보관하고 거리를 신속히 계산해 주는 창고 역할을 합니다.

← AI 용어 사전 전체 보기

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