벡터 데이터베이스

커리큘럼

1. 섹션 1

   임베딩과 벡터

   텍스트를 의미를 담은 숫자로 바꿔 봅니다. 임베딩이 무엇인지, 의미가 어떻게 기하학이 되는지, 그리고 2026년에 어떤 모델을 선택하면 좋을지 배웁니다.

   1. 1임베딩이란 무엇일까요?
   2. 2공간 속의 점으로서의 의미
   3. 3차원, 토큰, 벡터
   4. 4임베딩 모델 선택하기

2. 섹션 2

   유사도와 거리

   의미가 기하학이 되고 나면, 결과를 순위 매기는 일은 그저 거리를 재는 것에 불과합니다. 코사인, 내적, L2를 배우고, 어떤 것을 고를지, 그리고 차원의 저주가 무엇인지 익혀 봅니다.

   1. 1코사인 유사도
   2. 2내적과 유클리드
   3. 3척도 고르기와 kNN
   4. 4차원의 저주

3. 섹션 3

   ANN과 인덱싱

   대규모 환경에서 검색을 빠르게 만듭니다. 근사 최근접 이웃 인덱스(HNSW, IVF), 압축을 위한 양자화, 그리고 여러분이 조절하는 재현율 대 지연 시간 다이얼을 배웁니다.

   1. 1정확 검색 대 근사 검색
   2. 2HNSW: 그래프 인덱스
   3. 3IVF와 클러스터링
   4. 4양자화와 절충

4. 섹션 4

   pgvector로 구축하기

   pgvector를 사용해 Postgres에서 실제 시맨틱 검색을 출시하고, 이어서 전용 엔진들을 살펴봅니다. 벡터 컬럼, 거리 연산자, HNSW 인덱스, 메타데이터 필터링, 하이브리드 검색, 그리고 선택하는 방법까지 다룹니다.

   1. 1컬럼과 연산자
   2. 2인덱싱과 Top-K
   3. 3필터링과 하이브리드 검색
   4. 4벡터 DB 선택하기

학습 경로