近年來，人工智慧 (AI) 與機器學習 (ML) 技術快速發展，資料量也呈現爆炸性增長，其中很大一部分是非結構化資料，例如文字、圖片和音訊。傳統的關聯式資料庫在處理這類資料時顯得力不從心，而向量資料庫應運而生，為高效處理這些資料提供了全新的解決方案。向量資料庫以向量空間模型來組織資料，更適合於 AI 和 ML 應用中常見的高維度資料。
一、向量資料庫的定義
向量資料庫是一種以向量形式儲存和管理資料的資料庫。向量是資料物件的數值表示，也稱為向量嵌入。向量資料庫專為管理向量嵌入而構建，為管理非結構化和半結構化資料提供了完整的解決方案。它利用向量嵌入的強大功能，對海量非結構化資料和半結構化資料（例如圖像、文本或感測器資料）進行索引和搜尋。
二、向量資料庫與傳統資料庫的差異
傳統資料庫以表格形式儲存資訊，並通過為資料點賦值來建立資料索引。當收到查詢時，傳統資料庫會返回與查詢完全匹配的結果。而向量資料庫以嵌入形式儲存向量，並基於相似度度量（而不是精確匹配）返回查詢結果。
向量資料庫的設計初衷就是用於處理向量嵌入，因此在處理非結構化資料方面比傳統資料庫更有效率。在某些應用中，例如相似性搜尋、AI 和 ML 應用，向量資料庫比傳統資料庫更適合，因為它支持高維搜尋和定制索引，並且具有可擴展性、靈活性和高效性。
三、向量資料庫的核心組成部分
向量資料庫通常具有以下核心組成部分：
-
效能和容錯: 分片和複製的過程可確保向量資料庫具有高性能和容錯性。分片涉及在多個節點上對資料進行分區，而複製涉及在不同節點上創建多個資料副本。如果某個節點出現故障，則可以啟用容錯功能並確保效能持續穩定。
-
監控能力: 為了確保效能和容錯性，向量資料庫需要監控資源使用情況、查詢效能和整體系統運行狀況。
-
訪問控制功能: 向量資料庫同樣需要資料安全管理。訪問控制規定可確保合規性、問責制和審計資料庫使用情況的能力。這也意味著資料受到保護：只有擁有權限的人員才能訪問，並保留使用者活動記錄。
-
可擴展性和可調整性: 良好的訪問控制功能會影響向量資料庫的可擴展性與可調整性。隨著資料儲存量的增加，橫向擴展的能力就變得尤為重要。不同的插入率和查詢率以及底層硬體的差異都會影響應用程式的需求。
-
多使用者和資料隔離: 在具備可擴展性和訪問控制功能的同時，向量資料庫還應能夠為多使用者或多租戶提供支援。除此之外，向量資料庫還應能夠實現資料隔離，在這種情況下，除非另有要求，否則任何使用者的活動（如插入、刪除或查詢）對其他使用者而言都是私密的。
-
備份: 向量資料庫會定期創建資料備份。在系統發生故障時，備份是向量資料庫的一個關鍵組成部分— 在資料丟失或資料損壞的情況下，備份可以幫助將資料庫恢復到以前的狀態。這樣可以最大限度地減少中斷時間。
四、向量資料庫的技術基礎
向量嵌入
向量嵌入是一種將資料（例如單字、句子、圖片、音訊等）轉換成數值向量的技術，這些向量能夠捕捉資料的語義和上下文資訊。換句話說，向量嵌入是用來表示複雜資料的一種方式，使得這些資料能夠以幾何的方式進行比較和分析。
例如，在詞嵌入中，兩個語義相似的詞（如“國王”和“皇后”）在向量空間中的距離較近，而語義不相似的詞（如“國王”和“香蕉”）距離較遠。
相似度搜尋
相似度搜尋是指在向量資料庫中，根據向量之間的相似度來查詢資料。它通過計算向量之間的距離或相似度，來找到與查詢向量最相似的向量。
常用的相似度度量方法包括：
-
餘弦相似度: 計算兩個向量之間夾角的餘弦值，值越接近 1 表示相似度越高。
-
歐氏距離: 計算兩個向量之間的直線距離，距離越小表示相似度越高。
-
點積相似度: 計算兩個向量的點積，點積越大表示相似度越高。
五、向量資料庫的運作原理
資料儲存
向量資料庫通常使用 NoSQL 資料庫來儲存向量資料，因為 NoSQL 資料庫更適合於儲存非結構化資料。向量資料庫中的每個向量對應於一個物件或項目，無論是單字、影像、影片、電影、文件或任何其他資料。
此外，向量資料庫非常適合處理時間序列資料或時間戳記資料。這類資料會依序提供有關事件發生時間的資訊，這使得向量資料庫對於需要了解一段時間內事件的應用程式特別有用。
索引建立
為了提高搜尋效率，向量資料庫會對向量資料建立索引。常用的向量索引技術包括：
-
雜湊: 使用雜湊演算法（例如位置敏感雜湊 (LSH) 演算法）將向量映射到雜湊表中，通過雜湊值來快速定位相似的向量。LSH 算法最適合近似最近鄰搜尋，因為它可以快速得到結果，並生成近似結果。
-
量化: 量化技術（例如乘積量化 (PQ)）會將向量分解成較小的部分，並用程式碼表示這些部分，然後將這些部分重新組合在一起。結果是一個向量及其分量的程式碼表示。這些程式碼的集合稱為碼本。當被查詢時，使用量化的向量資料庫會將查詢分解為程式碼，然後將其與碼本進行匹配，以找到最相似的程式碼來生成結果。
-
基於圖表: 圖表演算法（例如分層可導航小世界 (HNSW) 演算法）使用節點來表示向量。它會對節點進行聚類，並在相似節點之間繪製線或邊，從而創建分層圖表。啟動查詢後，這種演算法會在圖表層次結構中導覽，以找到包含與查詢向量最相似的向量的節點。
查詢處理
當向量資料庫接收到查詢時，它會將索引向量與查詢向量進行比較，以確定最近鄰向量。向量資料庫依賴稱為相似度度量的數學方法來建立最近鄰。
向量資料庫具有強大的即時分析和探索能力，使其成為儲存和搜尋向量的絕佳選擇。
一些專用向量資料庫會提供一些有限的額外篩選功能，而一般用途的資料庫可以使用 SQL 等標準語言來撰寫豐富的述詞，這些述詞可與向量相似度排序結合，以執行功能強大且表達能力良好的查詢。
六、類型的向量資料庫及其應用
現今存在多種向量資料庫，每種資料庫都有其獨特的特性和應用場景。以下列出一些常見的向量資料庫：
-
Faiss 和 ScaNN: 這些程式庫是向量搜尋領域中的重要工具，提供的功能有助於管理和搜尋向量資料。
-
Elasticsearch: 這是一款廣泛使用的搜尋與分析引擎，最近整合了向量搜尋功能，讓 IT 更有效地處理及搜尋向量資料。
-
Pinecone: 它是一個強大的向量資料庫，具有一組獨特的功能。它在索引功能中同時支援密集和稀疏的向量，可增強其靈活度和適應能力。其主要優勢之一在於能夠將傳統搜尋方法與 AI 型密集向量搜尋結合，建立混合式搜尋方法。
-
Chroma: 這是一個向量資料庫，具有四個主要功能的核心 API，其中一個包含記憶體內文件向量儲存區。它也利用 Face Transformers 程式庫來向文件進行向量化，以增強文件的功能和多用途性。Chroma 可在雲端和內部環境中運作，根據使用者需求提供靈活度。
-
Weaviate: 這是一個多功能的向量資料庫，可讓使用者使用其內建模組或自訂模組，將內容向量化，根據特定需求提供靈活度。它同時提供完全託管和自行代管的解決方案，可因應各種部署偏好。Weaviate 的其中一項重要功能是能夠同時儲存向量和物件，以增強其資料處理能力。
-
Redis: Redis 是高效能的向量資料庫，以其快速的記憶體內儲存設備聞名，提供低延遲的讀寫作業。因此，對於需要快速存取資料的推薦系統、搜尋引擎和資料分析應用程式來說，這是絕佳的選擇。
七、向量資料庫的應用場景
向量資料庫的應用場景非常廣泛，包括：
-
推薦系統: 根據用戶的歷史行為和偏好，推薦相似的商品或服務。
-
圖像搜尋: 根據圖像的內容和特徵，搜尋相似的圖像。
-
自然語言處理: 理解和處理人類語言，例如語義搜尋、文本分類、問答系統等。
-
檢索增強生成 (RAG): 向量資料庫在 RAG 系統中扮演著至關重要的角色，它負責檢索外部資料，以增強大型語言模型 (LLM) 的能力，例如提供更準確的答案、生成更自然的語言等。
八、向量資料庫的優缺點
| 優點 | 缺點 |
|---|---|
| 高效的相似度搜尋: 向量資料庫專為相似度搜尋而設計，能夠快速地找到與查詢向量最相似的向量 。 | 複雜性高: 向量資料庫的設計和實現相對複雜，需要深入理解向量資料的特性和查詢需求。 |
| 支援高維度資料: 向量資料庫能夠有效地處理高維度資料，這是傳統資料庫難以做到的。 | 儲存需求大: 由於向量資料的特點，向量資料庫在儲存上通常需要較大的空間。 |
| 靈活的擴展性: 向量資料庫可以根據需要進行擴展，以處理不斷增長的資料量。 | 生態系統不成熟: 相對於傳統的關聯式資料庫，向量資料庫的生態系統還比較不成熟。 |
| 支援語義搜尋: 向量資料庫能夠捕捉資料的語義資訊，從而實現更準確的搜尋和推薦。 | 資料安全風險: 向量資料庫存在未經授權的訪問和資料洩漏的風險 。 |
九、向量資料庫的發展趨勢
-
雲化趨勢: 隨著雲端運算技術的發展，向量資料庫也將會趨向雲化，將向量資料庫部署在雲端，提供雲服務。
-
與生成式 AI 結合: 向量資料庫與生成式 AI 模型的結合，將會帶來更強大的應用，例如提供更準確的推薦、生成更自然的語言等。
-
多模態資料: 向量資料庫將會支援更多種類型的資料，例如文本、圖像、音訊等，實現跨領域應用。
-
少樣本學習: 向量資料庫可以促進少樣本學習，這是一種 AI 訓練技術，模型使用有限的資料進行訓練。向量資料庫通過維護強大的向量索引來放大這種方法。
-
市場競爭: 向量資料庫的市場競爭日益激烈，越來越多的玩家加入這個賽道，例如 Zilliz、Pinecone 等。未來，原生向量資料庫和傳統資料庫均可能支援向量計算插件，並存發展。
十、結論
向量資料庫是一種專門設計用於處理向量資料的資料庫，它在 AI 和 ML 應用中扮演著越來越重要的角色。向量資料庫與 AI 生態系統的聯繫非常緊密，隨著大型語言模型的興起，向量資料庫的重要性日益凸顯。向量資料庫的出現，使得語義搜尋、相似度搜尋和非結構化資料的處理變得更加高效。未來，隨著 AI 技術的發展，向量資料庫將會不斷完善和發展，為我們帶來更多創新和突破，並對各個領域產生深遠的影響。
引用的著作
- 向量数据库和普通关系型数据库的区别，LAXCUS支持哪种数据库？ - CSDN博客（檢索日期：2月 25, 2025）
- 什么是向量数据库？ - Elastic（檢索日期：2月 25, 2025）
- Elasticsearch：什么是向量嵌入？ - 稀土掘金（檢索日期：2月 25, 2025）
- ReadWriteThink/NLP024-相似性检索算法：KNN和Inverted File Index.md at main - GitHub（檢索日期：2月 25, 2025）
- NLP之相似文本搜索_text2vec-CSDN博客（檢索日期：2月 25, 2025）
- 生成式AI(9) — 向量資料庫簡介 - Medium（檢索日期：2月 25, 2025）
- 什麼是向量資料庫？（檢索日期：2月 25, 2025）
- 向量資料庫 - NetApp（檢索日期：2月 25, 2025）
- 什麼是向量資料庫？ - Google Cloud（檢索日期：2月 25, 2025）
- 向量数据库(vector database)概念初认知 - 稀土掘金（檢索日期：2月 25, 2025）
- 向量資料庫- Microsoft Fabric（檢索日期：2月 25, 2025）
- 「X」Embedding in NLP｜初识自然语言处理（NLP） - Zilliz 向量数据库（檢索日期：2月 25, 2025）
- 向量資料庫在現代生成人工智慧應用中的作用 - Unite.AI（檢索日期：2月 25, 2025）
- 向量数据库优缺点是什么 - Worktile（檢索日期：2月 25, 2025）
- 資安破口可能藏在向量資料庫和LLM工具 - 科技島（檢索日期：2月 25, 2025）
- 什麼是向量資料庫？ - AWS（檢索日期：2月 25, 2025）
- 向量数据库——AI时代的技术基座（檢索日期：2月 25, 2025）
還想了解更多各類數位行銷資訊的話，歡迎訂閱電子報、加入奇寶Line好友，第一時間接收最新資訊！後續我們台北移動學苑還會陸續舉辦各類型的行銷課程，也歡迎有興趣的行銷人可以加入我們臉書粉絲團，在粉絲專頁上與我們討論喔！
Facebook粉絲專頁：
歡迎轉載KPN奇寶部落格相關文章，在轉載前請先詳閱著作權聲明及轉載原則
還想了解更多各類數位行銷資訊的話，歡迎訂閱電子報、加入奇寶 Line 好友，第一時間接收最新資訊！
歡迎轉載 KPN 奇寶部落格相關文章，在轉載前請先詳閱著作權聲明及轉載原則。
