VectorAI DB

VectorAI DB란?

Actian VectorAI DB는 클라우드 너머 시맨틱 및 하이브리드 검색이 필요한 AI 시스템을 위해 설계된 휴대용 로컬 퍼스트 벡터 데이터베이스입니다. 벡터 임베딩을 저장하고 유사도 검색을 지원하여 애플리케이션이 키워드가 아닌 의미로 결과를 검색할 수 있습니다.

제품의 핵심 목적은 클라우드 의존성과 네트워크 지연이 제약인 환경—엣지 디바이스, 온프레미스 시스템, 단절된 시설 등—에서 팀이 벡터 검색을 배포하도록 돕는 것입니다. 검색 속도를 빠르고 예측 가능하게 유지합니다.

주요 기능

• 엣지 및 온프레미스용 로컬 퍼스트 벡터 DB: 클라우드 벡터 DB 호출 없이 시맨틱 검색 가능.
• 저지연 실시간 검색: 사이트에서 100ms 미만 성능(예: “13 milliseconds p99 latency”)을 강조하며 실시간 AI 애플리케이션 대상.
• 후속 동기화 지원 오프라인 작동: 안정적인 인터넷 연결을 가정할 수 없는 단절 환경 지원.
• 다양한 환경 간 휴대용 배포 모델: 임베디드 디바이스부터 엔터프라이즈 배포까지 개발-운영 이동을 위한 동일 아키텍처.
• 규제 및 데이터 레지던시 요구사항 대응 데이터 제어: 사이트에서 온프레미스 배포가 GDPR 및 HIPAA 스타일 데이터 레지던시 요구를 지원하며 타사 클라우드 처리 피함.
• 개발자 중심 컬렉션 및 쿼리 흐름: 정의된 벡터 크기로 컬렉션 생성, 페이로드와 함께 포인트 upsert, 임베딩 벡터로 검색 예시 제공.

VectorAI DB 사용 방법

1. Docker로 설치:
   • docker pull actian/vectorai-db 실행
   • docker run -d -p 50051:50051 actian/vectorai-db로 서비스 시작
2. 임베딩 모델에 맞는 벡터 크기 및 거리 메트릭 등 벡터 파라미터로 컬렉션 생성.
3. id와 선택적 payload 메타데이터와 함께 벡터를 포인트로 삽입.
4. 유사도 검색: 쿼리에 대한 임베딩 생성 후 벡터 검색 실행하여 가장 가까운 매치(유사도 점수 포함) 반환.

문서 가이드에서는 작은 앱을 먼저 구축한 후 노트북, 임베디드 디바이스 또는 온프레미스 등 대상 환경에 동일 설정 배포를 강조합니다.

사용 사례

• 인터넷 액세스가 제한되거나 없는 환경에서 의미 기반 검색 수행 Raspberry Pi급 시스템 등에 배포하는 임베디드 엣지 AI.
• 단절 환경 엣지 서버에서 벡터 검색 실행하여 예측 유지보수, 품질 검사, 생산 최적화 등 지원하는 공장 엣지 배포.
• 클라우드 서비스 금지된 규제 환경용 에어갭 검색: 제어된 인프라 내 데이터 유지 로컬 퍼스트 설정 사용.
• 온프레미스 임상 및 기록 검색 의료: 환자 데이터 온프레미스 유지하며 임상 의사결정 지원, 의료 영상 워크플로, 기록 검색(사이트 사용 사례 설명) 위한 시맨틱 검색 실행.
• 하이브리드 또는 다중 사이트 플랫폼 검색: 프로토타입부터 운영까지 일관된 DB 접근으로 엣지 + 선택적 클라우드 분산 사이트 간 벡터 검색 관리.

자주 묻는 질문

VectorAI DB는 무엇에 사용되나요?

AI 애플리케이션이 실행되는 곳 근처—엣지 및 온프레미스 환경 포함—에서 임베딩 저장 및 시맨틱(및 하이브리드) 검색 실행을 위한 벡터 데이터베이스로 사용됩니다.

VectorAI DB 사용을 어떻게 시작하나요?

일반적인 시작은 Docker로 서버 설치, 벡터 크기 및 거리 설정으로 컬렉션 생성, 메타데이터와 함께 벡터 upsert, 쿼리 임베딩으로 유사도 검색 실행입니다.

오프라인 또는 단절 환경을 지원하나요?

사이트에서 연결 가능 시 동기화하며 오프라인 작동하도록 설계되었다고 명시합니다.

VectorAI DB는 클라우드 벡터 DB와 어떻게 다른가요?

사이트에서 로컬 퍼스트 작동과 네트워크 왕복 의존 감소로 실시간 애플리케이션 쿼리 지연을 줄이는 차이를 강조합니다.

VectorAI DB가 특정 임베딩 모델에 묶여 있나요?

예시에서 개발자 모델의 embed() 함수 사용을 보여주지만, 사이트에서 단일 필수 모델 지정 없음; 임베딩 벡터 크기에 맞춰 구성.

대안

• 온프레미스용 자가 관리 벡터 DB: 동일 벤더의 로컬 퍼스트 접근 대신 자체 인프라에 배포 가능한 다른 벡터 DB 시스템을 고려하세요; 핵심 차이는 제품이 엣지/온프레미스 작업에 최적화되어 있는지 여부입니다.
• 하이브리드 검색 스택(벡터 검색 + 키워드 검색): 키워드와 시맨틱 검색을 결합해야 한다면, 두 검색 모드를 지원하고 배포 환경에서 실행 가능한 플랫폼을 찾으세요.
• 엣지 추론 + 로컬 검색 서비스: 제약된 환경에서는 엣지 모델 추론을 온디바이스 또는 엣지 호스팅 검색 구성 요소와 결합할 수 있습니다; 트레이드오프는 아키텍처 복잡성 대 단일 DB 기반 워크플로입니다.
• 클라우드 호스팅 벡터 DB: 클라우드 솔루션은 시작하기 쉽지만, 사이트는 지연과 배포 제한을 이유로 엣지 및 오프라인 시나리오에서 로컬 퍼스트 배포를 선택할 것을 강조합니다.