矢量数据库与存储数据的任何其他数据库一样。从那时起，相似性就基本结束了，尤其是在人工智能方面。
大多数传统数据库都是为事务工作负载构建的，其中结构化查询和关系数据占主导地位。与此同时，矢量数据库都是关于非结构化数据，旨在支持生成人工智能、机器学习推理、推荐和自然语言处理等现代工作负载。事实上，由于向量数据库专注于人工智能系统所提供的非结构化、功能丰富的向量，因此它们使这些系统更像人工智能驱动的搜索引擎，而不是我们历史上所知的数据库。
确实，随着在矢量数据库中，您不仅检索数据，而且检索最相关的数据。这些数据通常采用视频、音频、社交媒体评论、社区内容、电子邮件、网页等形式。与搜索引擎非常相似，矢量数据库旨在根据相似性、自定义评分机制和其他算法对结果进行排名。这种对相关性的强调改变了数据访问的方式，基于结果与查询的匹配程度，而不仅仅是它是否符合确切的条件。
矢量数据库的好处很大程度上来自于它们执行近似的能力最近邻（ANN）搜索。人工神经网络搜索可以快速找到高维空间中最接近的向量，从而能够对数百万甚至数十亿条记录进行实时相似性搜索。传统数据库即使使用索引进行了优化，也难以有效检索相似向量。
为了使用户能够执行复杂、全面、多标准的搜索，向量数据库通常将向量搜索与传统过滤功能结合起来。例如，用户可能想要检索矢量集合中最相似的图像，但仅限于过去一周上传的或属于某个类别的图像。这种将向量相似性与经典数据库查询相结合的混合方法为组织提供了一个强大而灵活的平台，用于构建复杂的人工智能驱动的应用程序，该应用程序利用向量嵌入的语义理解和传统数据库查询的精确匹配。
矢量数据库的用例包括（但当然不限于）高级搜索、推荐系统、数据分析、异常检测和（对人工智能尤其重要）检索增强生成、
与大型语言模型一起使用，RAG 从向量数据库中检索相关信息，以增强大语言模型的输入，提高响应准确性，使组织能够安全地利用商业大语言模型的自己的数据，并减少幻觉。这使开发人员能够构建更准确、灵活和上下文感知的人工智能应用程序，同时在数据库系统中使用加密和基于角色的访问控制等保护措施时提供一定程度的安全性、隐私和治理。
由于矢量搜索和相似性匹配在人工智能应用中日益重要，许多传统数据库供应商正在向其产品中添加矢量搜索功能。然而，无论您是构建推荐引擎还是图像搜索平台，速度都很重要。矢量数据库针对实时检索进行了优化，允许应用程序提供即时推荐、内容建议或搜索结果。即使添加了向量功能，此功能也超出了数据库的典型优势。
一些向量数据库还可以水平扩展，这使得它们能够管理分布在多个节点上的大量向量集合。这种可扩展性对于人工智能驱动的应用程序至关重要，其中向量是大规模生成的（例如，深度学习模型的嵌入）。凭借分布式搜索功能，矢量数据库可以像搜索引擎一样处理大型数据集，即使在大规模企业级环境中也能确保低延迟检索。
所有这并不是说结构化数据不重要。确实如此，专门为存储它而构建的数据库也是如此。然而，当今生成的大多数数据都是非结构化的，组织需要一个能够有效地将这些数据转化为有意义的见解的平台。处理大量丰富的非结构化数据还使人工智能系统变得更加智能，因为它们扩展了处理和适应新的多样化场景的能力。矢量数据库可以将这种复杂的数据转换为捕获关键特征和语义的矢量表示，从而使人工智能模型能够有效地大规模处理非结构化数据。
您的矢量数据库不仅仅是一个数据库，因为它超越了角色存储和查询数据；它带来了实时矢量搜索、相关性排名和人工智能优化的强大功能。通过将数据库的持久性和可扩展性与搜索引擎的速度、准确性和排名机制相结合，矢量数据库融合了两个世界，专为人工智能时代而设计。
矢量数据库不仅仅存储您的数据。他们在其中找到了最有意义的联系，从而大规模推动洞察和决策。
David Myriel 是 Qdrant 的开发者关系总监。
新技术论坛为包括供应商和其他外部贡献者在内的技术领导者提供了一个以前所未有的深度和广度探索和讨论新兴企业技术的场所。该选择是主观的，基于我们对我们认为重要且 InfoWorld 读者最感兴趣的技术的选择。InfoWorld 不接受出版营销材料，并保留编辑所有贡献内容的权利。将所有询问发送至 doug_dineley@foundryco.com。