AI한테 “우리 회사 규정에 따르면 연차는 며칠이야?”라고 물어본 적 있으신가요?
이때 AI가 정확한 답을 내놓으려면, 수백 페이지짜리 사내 규정집에서 관련 내용을 빠르게 찾아낼 수 있어야 합니다. 그 역할을 하는 게 바로 벡터DB(Vector Database) 입니다.
핵심 요약 (30초 버전)
벡터DB = AI가 “비슷한 내용”을 빠르게 찾기 위해 쓰는 특수 창고
일반 데이터베이스는 정확한 단어가 일치해야 찾아줍니다. 벡터DB는 의미가 비슷한 것도 찾아줍니다.
일반 DB vs 벡터DB, 뭐가 달라요?
도서관을 예로 들어볼게요.
일반 데이터베이스 = 번호 도서관
- 책 번호, 제목, 저자를 정확히 알아야 찾을 수 있어요
- “강아지 산책”이라고 검색하면 제목에 그 단어가 있는 책만 나와요
벡터DB = 사서 선생님
- “강아지 돌보는 방법 알고 싶어요”라고 말하면
- “반려동물 훈련”, “펫케어 가이드”, “개 건강 관리”까지 함께 꺼내줘요
- 단어가 달라도 의미가 같으면 찾아주는 거예요
그럼 ‘벡터’가 뭔가요?
앞서 임베딩 글에서 다뤘지만 간단히 복습하면 —
AI는 단어를 숫자 배열로 바꿔서 이해합니다.
| 단어 | AI 내부 표현 (예시) |
|---|---|
| 강아지 | [0.82, 0.14, 0.91, …] |
| 반려견 | [0.81, 0.15, 0.90, …] |
| 자동차 | [0.12, 0.74, 0.03, …] |
“강아지”와 “반려견”은 숫자가 비슷하죠? → 의미가 비슷하다는 뜻이에요. 이 숫자 배열 하나하나를 벡터라고 부르고, 이걸 저장해두는 곳이 벡터DB입니다.
실무에서는 어떻게 쓰이나요?
사례 1 — AI 고객센터 챗봇 고객이 “환불은 어떻게 해요?”라고 물으면 → 벡터DB가 사내 FAQ 수천 개 중에서 가장 비슷한 항목을 0.1초 만에 찾아냄 → AI가 그 내용 기반으로 답변
사례 2 — 사내 AI 비서 직원이 “작년 4분기 보고서 내용 요약해줘”라고 하면 → 벡터DB가 사내 문서 수백 건에서 관련 내용을 골라냄 → AI가 요약해서 전달
사례 3 — 쇼핑몰 추천 “청량한 여름 원피스 보여줘”라는 말에 → 벡터DB가 “청량한 느낌”과 “여름”과 “원피스”의 의미를 합쳐서 유사 상품 추출 → 정확히 그 단어가 없는 상품도 추천 가능
대표적인 벡터DB 종류
| 이름 | 특징 | 비유 |
|---|---|---|
| Pinecone | 가장 쓰기 쉬움, 유료 | 5성급 호텔 (편하지만 비쌈) |
| Chroma | 무료 오픈소스, 개발자 친화 | 혼자 직접 짓는 집 |
| Qdrant | 빠르고 가격 대비 성능 우수 | 가성비 비즈니스호텔 |
| Weaviate | 기업용, 하이브리드 검색 강점 | 기업 전용 오피스텔 |
RAG랑 무슨 관계예요?
RAG의 핵심은 “AI가 답변하기 전에 관련 문서를 먼저 찾는 것”인데, 그 문서 찾기를 담당하는 게 바로 벡터DB입니다.
사용자 질문 → 벡터DB에서 관련 내용 검색 → AI가 그 내용 참고해서 답변
벡터DB 없이는 제대로 된 RAG가 불가능합니다.
한 줄 정리
벡터DB는 AI가 “비슷한 의미”를 기준으로 빠르게 정보를 찾도록 도와주는 특수 데이터베이스입니다. 일반 검색이 “단어 일치”라면, 벡터DB는 “의미 일치”입니다.
벡터DB란, AI데이터베이스, RAG검색,