ฐานข้อมูลเวกเตอร์

ฐานข้อมูลเชิงสัมพันธ์แบบดั้งเดิมค้นหาด้วยการจับคู่คีย์เวิร์ด ค้นหา "สุนัข" จะได้แถวที่มีคำว่า "สุนัข" แต่จะพลาด "ลูกหมา" หรือ "น้องหมา" ฐานข้อมูลเวกเตอร์ทะลุข้อจำกัดนี้ โดยแปลงข้อความเป็นเวกเตอร์หลายร้อยถึงหลายพันมิติผ่านโมเดล Embedding แล้วค้นหาจาก "ระยะห่างเชิงความหมาย" กับคำค้น

ความต้องการพุ่งสูงขึ้นพร้อมกับการแพร่หลายของ RAG (Retrieval-Augmented Generation) การส่งความรู้ภายนอกให้ LLM ต้องค้นหาเอกสารที่เกี่ยวข้องอย่างรวดเร็วก่อน ฐานข้อมูลเวกเตอร์ทำหน้าที่เป็นโครงสร้างพื้นฐานของชั้นค้นหานี้

การใช้งานหลักๆ ได้แก่ ฐานข้อมูลเฉพาะทางอย่าง Pinecone และ Weaviate รวมถึงส่วนขยายสำหรับฐานข้อมูลที่มีอยู่อย่าง pgvector ของ PostgreSQL ซึ่ง pgvector ถูกรวมเข้ากับ Supabase ด้วย ทำให้สามารถเพิ่ม Vector Search เข้าไปในกระบวนการ RDB ที่มีอยู่ได้

HNSW (Hierarchical Navigable Small World) ถูกใช้อย่างแพร่หลายเป็นอัลกอริทึมการทำดัชนี การออกแบบ Chunk Size และการใช้ Metadata Filter ร่วมด้วยคือจุดที่ประสบการณ์จริงสร้างความแตกต่าง