AI Native DB & Vector 이해하기
1. 벡터 DB란 무엇인가?
텍스트·이미지·오디오 등 데이터를 숫자 좌표(벡터)로 변환해 저장
벡터 간 유사도 계산 → 의미 기반 검색 가능
예: “강아지가 공원에서 뛰노는 사진” → 가장 비슷한 이미지 반환
LLM과 결합하면 RAG(Retrieval-Augmented Generation) 기반으로 답변 강화 가능
대표 서비스: Pinecone, Weaviate, Qdrant, Milvus, Postgres + pgvector, MongoDB Atlas Vector Search
2. 벡터화(Vectorization)의 원리
벡터화란? 데이터를 고차원 좌표로 변환 → 의미적 유사성을 거리로 환산 예: “고양이”와 “개”는 가까이, “자동차”와는 멀게
임베딩 모델 활용 텍스트: OpenAI, BERT 계열 이미지: CLIP, ResNet, ViT 오디오/영상: wav2vec, Whisper, VideoCLIP
저장 및 검색 기술 FAISS: 고속 최근접 이웃 탐색 HNSW: 그래프 기반 탐색 IVF, PQ: 대규모 벡터 압축 저장 거리 계산: 코사인 유사도, L2 거리
3. 왜 지금 AI-Native DB인가?
RAG 표준화: LLM이 모르는 정보를 DB에서 끌어와 답변 강화
멀티모달 검색 확산: 텍스트, 이미지, 음성, 영상 검색 수요 증가
클라우드 벡터 지원 확대: AWS, Azure, GCP 모두 벡터 DB 기능 강화
4. 전통 DB와 벡터 DB는 경쟁이 아닌 공존
전통 DB: 정확성 중심 (트랜잭션, 재무, 재고 관리)
벡터 DB: 의미 기반 검색, 추천, LLM 보강
하이브리드 접근: Postgres + pgvector, Qdrant 등
5. 글로벌 활용 사례
Notion AI: 문서 검색 & 답변 강화
Spotify: 음악/가사 벡터화 → 개인화 추천
Shopify: 제품 이미지 검색, AI 쇼핑 어시스턴트
스타트업: 법률 검색, 의료 영상 진단 등
결론
AI-Native Database & Vector Infra는 이제 AI의 뇌를 지탱하는 심장입니다.
AI 서비스 설계자는 모델 선택뿐 아니라 데이터 인프라 설계까지 전략적으로 고민해야 하는 시대가 되었습니다.
더 많은 인사이트를 얻고 싶다면, 렛플을 확인해보세요
