설명
MongoDB 벡터 검색은 사용자가 운영 데이터와 함께 벡터를 저장하고 검색할 수 있도록 하는 MongoDB Atlas의 강력한 기능입니다. 벡터는 특정 특징이나 속성을 포착하는 숫자 배열로 표현되는 데이터의 수학적 표현입니다. 기계 학습 및 인공지능의 맥락에서 벡터 임베딩은 텍스트, 이미지 또는 오디오와 같은 복잡한 데이터를 컴퓨터가 처리할 수 있는 형식으로 인코딩하는 데 사용됩니다. 이 기능은 의미 검색, 추천 시스템 및 생성 AI와 같은 애플리케이션에 필수적입니다.
더 읽기
MongoDB 벡터 검색의 주요 장점 중 하나는 전통적인 키워드 검색이 아닌 벡터에 캡처된 의미적 의미를 기반으로 검색을 수행할 수 있다는 것입니다. 이는 보다 정확하고 맥락을 인식하는 검색 결과를 가능하게 하여 사용자 경험을 향상시킵니다. MongoDB는 벡터 데이터베이스로서 사용자가 운영 데이터, 메타데이터 및 벡터 임베딩을 한 곳에서 관리할 수 있도록 하여 별도의 데이터베이스와 동기화의 필요성을 없앱니다.
MongoDB 벡터 검색은 K-최근접 이웃(KNN), 근사 최근접 이웃(ANN) 및 정확한 최근접 이웃(ENN)을 포함한 유사 벡터를 찾기 위한 다양한 알고리즘을 지원합니다. 이러한 알고리즘은 정확성과 성능의 균형을 맞추도록 설계되어 복잡하고 고차원 벡터 사용 사례를 보다 쉽게 처리할 수 있습니다. 또한, 이 플랫폼은 4096차원 제한 내에서 모든 공급자의 임베딩을 지원하여 데이터 수집 및 쿼리에 유연성을 제공합니다.
네이티브 재순위 기능의 통합은 대형 언어 모델(LLM)에 가장 관련성 높은 데이터만 제공하여 검색 정확성을 향상시키고 토큰 소비를 최적화하여 전반적인 성능을 개선합니다. 또한, MongoDB의 하이브리드 검색 기능은 단일 쿼리에서 어휘 검색과 벡터 검색을 결합하여 사용자에게 두 가지 장점을 제공합니다.
MongoDB 벡터 검색은 의미 검색, 검색 보강 생성(RAG) 및 에이전트 시스템 개발을 포함한 다양한 애플리케이션에 적합합니다. 강력한 기능과 역량을 갖춘 MongoDB 벡터 검색은 조직이 벡터 데이터의 힘을 활용하여 지능형 애플리케이션을 구축할 수 있도록 지원합니다.
- 카테고리벡터 데이터베이스 및 검색
- 요금제프리미엄
- 배포클라우드
- 플랫폼AWS, Azure, GCP
MongoDB 벡터 검색의 핵심 기능
완전 관리되는 다중 클라우드 데이터베이스
근사 최근접 이웃(ANN) 검색
정확한 최근접 이웃(ENN) 검색
하이브리드 검색 기능
네이티브 재순위 통합
자동 임베딩 생성
검색 노드를 통한 독립적 확장
벡터 양자화를 통한 비용 효율성
MongoDB 벡터 검색 사용 방법은?
오픈 소스 모델을 사용하여 벡터 임베딩을 생성하거나 MongoDB가 자동으로 생성하도록 합니다.
쿼리할 임베딩에 대한 벡터 검색 인덱스를 정의합니다.
쿼리를 위해 집계 파이프라인에서 $vectorSearch 단계를 사용합니다.
향상된 검색 결과를 위해 벡터 쿼리와 메타데이터 필터를 결합합니다.
MongoDB 벡터 검색의 사용 사례
- 의미 검색
- 검색 보강 생성
- 에이전트 시스템
- 추천 시스템
- 이상 탐지
