Vektorová databáze (Vector database)

Příklady z praxe

1. 01

   Chatbot nad firemní dokumentací

   Interní chatbot pro podporu převede otázku zaměstnance na embedding a pošle jej do vektorové databáze. Databáze vrátí pět nejbližších úryvků z dokumentace, ale jen z produktu a jazyka, které odpovídají filtru. Jazykový model potom odpoví z nalezených pasáží místo toho, aby hádal z obecných znalostí.

   # Zjednodušený příklad toku v RAG aplikaci
   query_vector = embedding_model.embed("Jak nastavím dvoufaktorové přihlášení?")
   results = vector_db.search(
       vector=query_vector,
       top_k=5,
       filter={"product": "admin-portal", "language": "cs"}
   )
   context = "\n".join(item.text for item in results)
   answer = llm.generate(question="Jak nastavím dvoufaktorové přihlášení?", context=context)

2. 02

   Doporučení podobných produktů

   E-shop uloží embeddingy názvů, popisů a parametrů produktů. Zákazník otevře sportovní bundu do deště a systém najde podobné položky, i když jiné produkty používají slova jako nepromokavá, hardshell nebo outdoorová. Doporučení je užitečnější než prostá shoda jedné kategorie, protože pracuje s významovou podobností produktu.

Časté omyly

MýtusVektorová databáze je jen databáze pro AI chatboty.

Ve skutečnostiVektorová databáze se často používá v chatbotech s RAG, ale stejný princip slouží i pro vyhledávání obrázků, doporučování produktů, deduplikaci záznamů nebo detekci podobných dokumentů.

MýtusEmbeddingy stačí uložit a výsledky budou automaticky chytré.

Ve skutečnostiVektorová databáze závisí na kvalitě embeddingového modelu, přípravě dat, chunkování dokumentů, metadatech a vyhodnocování výsledků. Špatně rozdělené nebo zastaralé zdroje povedou ke špatným odpovědím i v kvalitní databázi.

Časté dotazy

Proč vektorová databáze někdy vrací nepřesný výsledek?

Vektorová databáze může vrátit nepřesný výsledek, protože podobnost embeddingů není totéž jako pravdivost nebo relevance pro konkrétní úkol. Výsledek ovlivňuje model použitý pro embeddingy, délka a kvalita zdrojového textu, zvolená metrika, nastavení indexu i filtry nad metadaty. Přibližné indexy navíc někdy obětují část přesnosti za nižší latenci. Kvalitní aplikace proto výsledky testuje na reálných dotazech a často kombinuje vektorové skóre s dalším řazením.

Stačí pro vektorová data běžná databáze?

Vektorová databáze nemusí být samostatný produkt, pokud existující databáze umí ukládat vektory, indexovat je a filtrovat metadata s přijatelnou latencí. Pro menší projekt může stačit rozšíření nebo vestavěná funkce v databázi, kterou tým už provozuje. Samostatná vektorová databáze dává větší smysl při velkém objemu embeddingů, vysokém počtu dotazů, náročném škálování indexů nebo potřebě specializovaných ladicích voleb.

Jakou metriku podobnosti zvolit pro vektorovou databázi?

Vektorová databáze má používat metriku podobnosti, která odpovídá embeddingovému modelu a způsobu jeho trénování. Kosinová podobnost je častá u textových embeddingů, protože porovnává směr vektorů. Eukleidovská vzdálenost pracuje s geometrickou vzdáleností bodů a skalární součin se používá u některých modelů po normalizaci nebo podle doporučení dodavatele modelu. Praktická volba se má ověřovat na validačních dotazech, ne jen podle obecného pravidla.

Patří osobní údaje do vektorové databáze?

Vektorová databáze může obsahovat osobní údaje přímo v metadatech nebo nepřímo v textových úryvcích, ze kterých vznikly embeddingy. Embedding není bezpečná anonymizace jen proto, že vypadá jako pole čísel. Návrh musí řešit oprávnění, mazání dat, audit, šifrování a oddělení tenantů stejně pečlivě jako u jiných databází. U citlivých dat je důležité posoudit i model, který embeddingy vytváří.

Zdroje

1. Atlas Vector Search(otevře se v novém okně)MongoDB
2. Vector search in Azure AI Search(otevře se v novém okně)Microsoft
3. Vector Search overview(otevře se v novém okně)Google Cloud
4. Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs(otevře se v novém okně)arXiv, 2016

Související pojmy

• EmbeddingEmbedding je číselná vektorová reprezentace objektu, například slova, věty, obrázku, produktu nebo uživatele, navržená tak, aby zachytila významové či statistické vztahy. Modely strojového učení s embeddingy počítají podobnost, řazení, doporučování a vyhledávání, protože podobné objekty leží vektorově blízko sebe.
• Doporučovací systémDoporučovací systém je software, který každému uživateli vybírá z rozsáhlého katalogu malou množinu položek, jež ho pravděpodobně zaujmou. Odhad staví na historii chování (kliknutí, nákupy, hodnocení), na vlastnostech položek nebo na kombinaci obojího. Nasazuje se v e-shopech, streamovacích službách i zpravodajských aplikacích všude tam, kde je nabídka větší, než dokáže člověk projít.
• Zpracování přirozeného jazykaZpracování přirozeného jazyka je obor na pomezí informatiky a lingvistiky, který umožňuje počítačům číst, analyzovat a generovat lidský text a řeč. Zahrnuje úlohy jako klasifikace textu, rozpoznávání pojmenovaných entit, strojový překlad, shrnování nebo odpovídání na otázky. Dnes se opírá především o neuronové modely trénované na velkých textových korpusech.
• ACIDACID je sada čtyř vlastností databázové transakce: atomicity, consistency, isolation a durability. Zaručuje, že skupina zápisů proběhne jako jeden celek, neporuší definovaná pravidla databáze, nebude se nebezpečně míchat s jinými transakcemi a po potvrzení přežije pád systému, například při převodu peněz.
• AI agentAI agent je softwarový systém, který pomocí modelu umělé inteligence vnímá zadaný kontext, plánuje další kroky a samostatně volá nástroje nebo služby k dosažení cíle. Na rozdíl od jednorázového promptu udržuje stav úlohy, vyhodnocuje výsledky akcí a může opakovat postup, dokud nesplní zadání nebo nenarazí na limit.
• AI etikaAI etika je obor, který zkoumá, jaké dopady mají systémy umělé inteligence na lidi, a formuluje pravidla pro jejich návrh, trénink a provoz. Řeší zaujatost dat, transparentnost rozhodování, ochranu soukromí, odpovědnost za chybu i bezpečnost modelu. Ve firemní praxi se promítá do interních politik, dokumentace modelů a povinností podle regulace typu AI Act.
• BackpropagationBackpropagation je algoritmus, kterým neuronová síť zjistí, jak moc se má každá váha změnit. Spočítá chybu na výstupu a pomocí řetízkového pravidla ji postupně rozpočítá zpět přes všechny vrstvy až na vstup.
• Booleovské operaceBooleovské operace jsou logické operace nad hodnotami pravda a nepravda, především AND (konjunkce), OR (disjunkce), NOT (negace) a XOR (nonekvivalence). Tvoří základ Booleovy algebry, řídí podmínky v programovacím kódu, filtry ve vyhledávání i klauzuli WHERE v SQL a na úrovni hardwaru je realizují logická hradla procesoru.