[AWS] Vector Database란? 쉽게 정리

 

✅ Vector Database란?

• 벡터 검색(Vector Search)을 효율적으로 수행할 수 있게 설계된 데이터베이스이다.
• 숫자로 표현된 벡터 데이터를 저장하고, 그 벡터들 간의 유사성을 빠르게 검색할 수 있다.

Vector 데이터 예시

"고양이" → [0.12, -0.53, 0.87, ...] (512차원 벡터)
"강아지" → [0.11, -0.50, 0.85, ...]

https://odsc.medium.com/a-gentle-introduction-to-vector-search-3c0511bc6771

 

🔸 Vector Database는 필요한 이유

• 사용자의 질문/프롬프트를 벡터로 인코딩(embedding) 해서, 유사한 벡터 데이터를 빠르게 검색할 수 있다
• Keyword Search 보다 빠르게 검색 가능
• 예시: 고객이 제품에 대해 질문하면, 벡터 DB에서 제품 매뉴얼 문서 중 가장 관련 있는 내용을 찾아서 제공

 

🔸 Semantic Search vs Keyword Search

• Keyword Search: 정확한 단어를 기반으로 검색 (예: "가격" 검색→ "가격"만 제공)
• Semantic Search: 단어의 의미를 고려한 검색 (예: "가격" 검색→ : "가격","비용", "요금" 등도 포함 가능)
  • BERT 같은 임베딩 모델로 문서(데이터)를 임베딩하여 OpenSearch에서 검색 성능 향상 가능.

 

🔸 Vector DB를 사용할 수 있는 AWS 서비스

서비스	설명 및 특징
Amazon OpenSearch Service	k-NN 플러그인으로 벡터 검색 가능. 대용량 데이터 검색에 적합. 시각화 대시보드도 제공.
Amazon Aurora / RDS (PostgreSQL)	pgvector 확장 사용해 벡터 저장 및 검색 가능. 기존 DB와 통합에 유리.
Amazon Neptune	그래프 DB 기반, 벡터와 그래프 관계형 검색에 적합.
Amazon DocumentDB (with MongoDB compatibility)	문서형 DB지만 향후 벡터 검색도 가능. MongoDB 호환.
Amazon Bedrock (Knowledge Bases)	완전 관리형 RAG 구현. S3 문서를 벡터화하여 자동 저장/검색함.
Amazon OpenSearch Serverless (Vector Engine)	인프라 관리 없이 벡터 저장/검색 기능 제공. LLM 기반 검색 애플리케이션에 적합.