Vektordatabas (Vector database)
En databas optimerad för att lagra och söka bland matematiska representationer av data, embeddings, utifrån semantisk likhet snarare än exakta ord.
En vektordatabas är en specialiserad databas byggd för att lagra, indexera och söka bland matematiska representationer av information, så kallade inbäddningar eller embeddings. Till skillnad från traditionella relationsdatabaser som söker efter exakta ord eller specifika kolumnvärden, söker en vektordatabas efter innebörd. I stället för att fråga efter rader där ordet cykel förekommer, frågar man databasen efter innehåll som betyder ungefär samma sak som tvåhjuligt fordon för pendling.
Inom modern artificiell intelligens utgör vektordatabasen en central komponent. Den fungerar som ett långtidsminne för stora språkmodeller och gör det möjligt att hämta relevant verksamhetsdata blixtsnabbt ur gigantiska dokumentsamlingar, vilket är grunden i system för hämtningsförstärkt generering (RAG).
Hur fungerar en vektordatabas i praktiken?
När text, bild eller ljud matas in i en AI-modell omvandlas informationen till en lång rad siffror: en vektor. Dessa siffror representerar datans position i ett mångdimensionellt begreppsrum. Ord eller stycken med liknande innebörd hamnar nära varandra i detta rum, medan helt olika begrepp hamnar långt ifrån varandra.
Vektordatabasens uppgift är att beräkna avståndet mellan dessa punkter. När en användare ställer en fråga händer följande:
- Frågan omvandlas omedelbart till en siffervektor via samma AI-modell som indexerade underlaget.
- Databasen använder geometriska algoritmer för att mäta vinkeln eller avståndet mellan frågans vektor och alla lagrade vektorer.
- De segment vars vektorer ligger närmast frågan sorteras fram som de mest relevanta svaren, helt oberoende av vilka specifika ord som användes.
Ett praktiskt exempel: Bygglov i Sundsvalls kommun
Tänk dig att Sundsvalls kommun vill effektivisera sitt kontaktcenter för bygglovsfrågor. På kommunens servrar finns tusentals sidor med detaljplaner, protokoll, miljöbalkar och interna rutiner. Om en invånare mejlar och frågar: Får jag sätta upp ett attefallshus nära grannens tomtgräns om marken sluttar brant? uppstår ett problem för klassiska sökmotorer. Dokumenten kanske inte innehåller exakt frasen sätta upp eller marken sluttar brant, utan termer som komplementbyggnad, fastighetsgräns och terränglutning.
Genom att använda en vektordatabas delas alla kommunala riktlinjer upp i mindre textblock som omvandlas till vektorer. När invånarens fråga kommer in förstår vektordatabasen att attefallshus har en stark matematisk koppling till komplementbostadshus, och att tomtgräns hör ihop med fastighetsgräns. Databasen plockar omedelbart fram rätt stycken ur plan- och bygglagen samt lokala föreskrifter. Dessa relevanta stycken skickas sedan till en språkmodell som formulerar ett korrekt och lättbegripligt svar.
Vektordatabasens roll i RAG-arkitektur
Stora språkmodeller har en begränsad mängd text de kan ta emot i taget, och de saknar insyn i företags interna servrar eller färsk information. Det är här RAG (Retrieval-Augmented Generation) kommer in, med vektordatabasen som motor.
I stället för att försöka träna om en hel AI-modell på företagets interna manualer eller kundavtal laddas all information upp i en vektordatabas. När en medarbetare ställer en fråga hämtar vektordatabasen sekundsnabbt de tre eller fem mest relevanta textstyckena ur databasen. Dessa stycken bifogas sedan som en tillfällig instruktion till språkmodellen, som därmed kan svara faktagranskat och med källhänvisningar utan att hallucinera.
Vanliga misstag vid arbete med vektordatabaser
Ett vanligt misstag bland utvecklare och projektledare är att tro att en vektordatabas helt kan ersätta vanliga SQL-databaser. En vektordatabas är utmärkt för semantisk förståelse och mönstermatchning, men den är dålig på exakta operationer. Om en användare frågar efter alla fakturor från maj månad som överstiger tiotusen kronor är en traditionell databas betydligt snabbare och mer pålitlig.
Ett annat frekvent problem rör uppdelningen av text, så kallad chunking. Om man delar upp ett stort dokument i för korta stycken förloras sammanhanget, och vektorn tappar sin mening. Om styckena i stället är för långa blandas för många olika ämnen ihop i en enda vektor, vilket gör att sökningen blir oprecis. Lösningen är ofta hybridsökning, där traditionell sökning på nyckelord kombineras med vektorsökning och metadatafiltrering.
Vanliga frågor
Vad är skillnaden mellan en vanlig databas och en vektordatabas?
En vanlig databas söker efter exakta värden, datum eller ord i tabeller. En vektordatabas söker efter matematisk och begreppsmässig likhet mellan texter, bilder eller ljud.
Måste man använda en vektordatabas för att bygga en AI-assistent?
Inte för mycket enkla assistenter, men så fort assistenten behöver tillgång till stora mängder interna företagsdokument eller uppdaterad kunskap via RAG är en vektordatabas i praktiken nödvändig.
Vad är en embedding i en vektordatabas?
En embedding är en sifferrad som representerar innebörden av ett stycke text, en bild eller ett ljud. Vektordatabasen använder dessa siffror för att mäta avståndet mellan olika koncept.
