ベクターデータベースとは？

ベクトルデータベースは、高次元データを保存、インデックス作成、および検索するように設計されています。より簡単に言うと、データは「ベクトル」と呼ばれる数値の数学的な「配列」に保存されます。これらのベクトルは、互いの類似性に基づいてグループ化されます。これらのベクトルは通常、機械学習モデルによって生成され、テキスト、画像、音声、動画などの非構造化データを、意味上の「意味」を捉える数値形式で表現するために使用されます。 

この形式により、それらに対して低レイテンシのクエリを簡単に実行できます。これは、食料品店で似た商品を探すことに似ています。同じ店の中で、りんごとバナナが別々の場所に置かれていたら困るでしょう。低レイテンシのクエリを実行できるため、ベクターデータベースは以前の入力を記憶でき、AI アプリケーションに最適です。

ベクトルとは何ですか？

機械学習では、ベクトルとは、文や画像などのオブジェクトの特徴をエンコードする浮動小数点数のリスト（[0.23, -0.11, 0.87, ...]）です。これらは、Word2Vec、BERT、CLIP などのモデルを使用して生成されることがよくあります。考え方としては、類似した項目はベクトル空間内で互いに近いベクトルを持つということです（上記のリンゴとバナナの例）。 

なぜベクター・データベースが必要なのでしょうか？

従来のデータベース（SQL や NoSQL など）は、「類似性検索」（またもやリンゴとバナナ）向けに最適化されていません。ベクター・データベース：

• 最も類似したドキュメントや画像を見つけるなど、効率的な「最近傍探索」を可能にします。

• 大規模な非構造化データを処理します。

• セマンティック検索、レコメンデーション・システム、異常検知などのオペレーションをサポートします。

• HNSW、IVF、PQ などのインデックス戦略を提供し、それによって高速なクエリ時間を実現します。

ベクター・データベースの一般的なユースケースにはどのようなものがありますか？

• セマンティック検索: 意味を理解し、単なるキーワードだけではない検索エンジン

• レコメンデーションシステム：類似性に基づいてコンテンツやプロダクトを提案すること

• 画像および動画検索：視覚的に類似したコンテンツの検出

• チャットボットと LLM メモリ：検索拡張生成のためのコンテキストの保存

• 不正検知：ベクターパターンを通じて行動の異常を特定

ベクター・データベースではデータはどのように保存され、検索はどのように機能しますか？

ベクトルデータベースでは、近似最近傍（ANN）アルゴリズムを使用して、類似性メトリクスに基づき、クエリベクトルに最も近いベクトルをすばやく見つけます。ANN は精度を少し犠牲にする代わりに、大幅な速度上の Advantage を実現しており、スケーラビリティを可能にします。 

通常、各エントリには次のようなものが含まれます。

• ベクトル自体

• オプションのペイロード（テキスト・ラベル、タイムスタンプなどのメタデータ）

• 取得および更新のための一意の ID

一部のデータベースでは、ベクトルの類似性をメタデータに基づくフィルタリングと組み合わせることができます（つまり、「X に類似したドキュメントを検索するが、英語のみを対象とする」）。

ベクトルデータベースと従来のデータベースの違いは何ですか？

従来型データベースとベクトルデータベースの主な違いを、この表に示します。

一般的なベクトルデータベースにはどのようなものがありますか？

広く使用されているベクターデータベースには、次のようなものがあります。

• Pinecone

• Weaviate

• FAISS （Meta製）

• Milvus

• Qdrant

• Chroma

• Vespa

それぞれに異なる強みがあり、ユースケースに応じて異なります。主な機能は、パフォーマンスから統合、オープンソースでの提供まで多岐にわたります。

Fastly はベクターデータベースを直接提供していませんが、当社の Edge Cloud Platform は、AI やベクトル検索を活用したものを含む、データ集約型アプリケーションの配信を高速化するのに役立ちます。次世代の検索、レコメンデーションシステム、またはリアルタイム分析を構築している場合でも、Fastly は API とアプリが高速かつ安全に動作し、ユーザーのより近くで実行されることを実現します。詳しくはこちらをご覧ください。