📌 원문 문제
벡터 데이터베이스(Vector Database)를 설명하시오.
출제 의도 분석
LLM·RAG 아키텍처 확산으로 임베딩 저장·검색 수요가 폭발하면서 벡터 DB가 필수 인프라로 자리잡았습니다. 기존 RDBMS와의 차이, ANN 인덱스 종류, 주요 솔루션을 체계적으로 서술하면 됩니다.
1. 개념
벡터 데이터베이스(Vector Database)란 텍스트·이미지·오디오 등을 임베딩 모델로 변환한 고차원 실수 벡터를 저장하고, 코사인 유사도·유클리드 거리 기반 근사 최근접 이웃(ANN) 검색을 고속으로 지원하는 특수 목적 데이터베이스입니다.
2. 기존 DB vs 벡터 DB
| 구분 | RDBMS | 벡터 DB |
|---|---|---|
| 검색 기준 | 정확한 값 일치 (= , LIKE) | 의미적 유사도 (코사인·내적) |
| 데이터 타입 | 정형 (숫자·문자열) | 고차원 실수 벡터 (수백~수천 차원) |
| 인덱스 | B-Tree, Hash | HNSW, IVF, PQ |
| 주요 용도 | 트랜잭션, 리포팅 | 시맨틱 검색, RAG, 추천 |
3. 주요 ANN 인덱스 알고리즘
- HNSW (Hierarchical Navigable Small World): 계층적 그래프 구조로 탐색. 검색 정확도(Recall)·속도 균형 우수. Pinecone·Weaviate 기본 채택
- IVF (Inverted File Index): 벡터 공간을 클러스터로 분할 후 가장 가까운 클러스터만 검색. 대규모 데이터에서 메모리 효율적
- PQ (Product Quantization): 벡터를 서브벡터로 압축. 메모리 사용량을 1/4~1/32로 줄이는 압축 기법
4. 주요 솔루션 비교
| 솔루션 | 유형 | 특징 |
|---|---|---|
| Pinecone | 완전관리형 SaaS | 운영 부담 없음, 고성능, 유료 |
| Weaviate | 오픈소스 | 하이브리드 검색(키워드+벡터), GraphQL API |
| Chroma | 오픈소스 경량 | 로컬 개발·프로토타이핑에 최적 |
| pgvector | PostgreSQL 확장 | 기존 PostgreSQL에 벡터 기능 추가 |
✅ 핵심 암기: 벡터 DB = 임베딩 저장 + ANN 의미 검색 | HNSW(정확도↑)·IVF(메모리↓)·PQ(압축) | RAG의 핵심 인프라