Vector Database چیست ؟

اگر میلیون‌ها Embedding داشته باشیم و بخواهیم خیلی سریع نزدیک‌ترین موارد به یک سؤال را پیدا کنیم، به سیستمی برای ذخیره و جست‌وجوی آن بردارها نیاز داریم. Vector Database یا پایگاه داده برداری برای همین نوع کار طراحی یا بهینه می‌شود.

فرض کنید هزاران صفحه راهنما دارید. هر بخش متن به یک Embedding تبدیل می‌شود و در یک Vector Database یا Vector Store ذخیره می‌شود. وقتی کاربر سؤال می‌پرسد، سؤال هم به بردار تبدیل می‌شود و سیستم مواردی را پیدا می‌کند که از نظر معنایی نزدیک‌ترند.

این روش پایه بسیاری از جست‌وجوهای معنایی و سیستم‌های RAG است. تفاوتش با جست‌وجوی ساده کلمه این است که ممکن است نتیجه مرتبط باشد حتی اگر دقیقاً همان کلمات سؤال داخل سند نوشته نشده باشند.

Vector Database جای مدل هوش مصنوعی را نمی‌گیرد. وظیفه اصلی آن نگهداری، فیلتر و پیدا کردن بردارهای مرتبط است؛ مدل بعداً می‌تواند از متن‌های پیدا‌شده برای ساخت پاسخ استفاده کند.

کیفیت نتیجه به Embedding، روش تقسیم اسناد و تنظیم جست‌وجو هم وابسته است. اگر اطلاعات نامناسب وارد پایگاه شود، سریع پیدا کردن آن اطلاعات لزوماً پاسخ خوبی تولید نمی‌کند.