ベクトルデータベースとは？ | GEO用語集

ベクトルデータベースは、埋め込みベクトルを保存し、意味的に最も類似したものを高速に検索するために設計された専門的なデータベースです。今やRAGパイプライン、セマンティック検索、レコメンドシステム、AIエージェントの長期記憶にとって、中核的なインフラとなっています。

なぜ重要か

従来のSQLデータベースは正確なキーワードマッチに最適化されていますが、LLM時代の検索は意味的な類似度で動作します。数百万のベクトル（それぞれ1,000次元以上）の中から上位k個の最近傍を数ミリ秒で見つけることは、汎用DBでは事実上不可能です。ベクトルデータベースは近似最近傍（ANN）アルゴリズムでこれを解決し、LLMの応答を裏付けるリアルタイム検索を可能にします。

仕組み

埋め込みの生成: OpenAIやCohereのようなモデルが、テキストや画像をベクトルに変換します。
インデックス化: HNSW、IVF、PQのようなANNアルゴリズムが、高速な検索のためにベクトルを構造化します。
クエリの埋め込み: ユーザーのクエリが同じモデルでベクトル化されます。
類似度検索: 上位k個のベクトルが、コサイン類似度、内積、ユークリッド距離によって返されます。
メタデータの結合: 各ベクトルに付随する元のテキストとメタデータが返され、LLMのコンテキストに注入されます。

主要なソリューション

専用ベクトルDB:

Pinecone: マネージドサービス、シンプルなAPI、すぐに始められる
Weaviate: オープンソース、強力なハイブリッド（ベクトル + キーワード）検索
Qdrant: Rustベース、高性能、低リソース消費
Milvus: 大規模な分散ベクトル検索

既存DBへのベクトル拡張:

pgvector: PostgreSQL拡張。ベクトルをSQLデータと並べて保持
Elasticsearch: キーワード検索とベクトル検索を組み合わせる
Redis: インメモリのベクトル検索

よくあるパターン: pgvectorから始め、トラフィックと規模が要求するようになったら専用DBへ移行します。

選定基準

データサイズ: 100万ベクトル未満なら、pgvectorで十分です。1億ベクトルを超えると、専用DBが不可欠です。

ハイブリッド検索: ベクトル + キーワード + フィルタを一緒に必要とするなら、WeaviateやElasticsearchが力を発揮します。

レイテンシ: ユーザー向けアプリはp99 ≤ 100msを目標とします。HNSWインデックスはこの範囲で最も信頼性が高いです。

運用負荷: Pineconeのようなマネージドサービスはコストが高くなりますが、インフラ作業をほぼすべて取り除きます。オープンソース（Qdrant、Milvus）はその逆です。

メタデータフィルタリング: カテゴリ、日付、ユーザーIDによる事前フィルタリングが頻繁なら、それをベクトル検索と効率的に組み合わせるソリューションを選びましょう。

GEOへの示唆

ブログ運営者が自前のベクトルDBを構築することはまれですが、LLMやAI検索のベクトルデータベースの中でコンテンツがうまく収まるように書くことは重要です。明確な見出し、自己完結した段落、具体的な数値や出典は埋め込みの品質を高めます。これは、ベクトルDBが何を引用するか選ぶ際の類似度スコアが高くなることを意味します。

Sources: