In detail
Een vectordatabase slaat data op als hoogdimensionale vectoren (reeksen getallen) in plaats van rijen en kolommen. Die vectoren worden gemaakt door embeddingmodellen die de betekenis van tekst, afbeeldingen of andere data vastleggen. Dat maakt similarity search mogelijk: in plaats van exacte trefwoorden te matchen, vind je data die qua betekenis lijkt op je zoekvraag. Dit is de ruggengraat van moderne AI-toepassingen zoals RAG, aanbevelingssystemen en zoeken op afbeeldingen. Bekende vectordatabases zijn Pinecone, Weaviate, Qdrant en pgvector.
Hoe het werkt
- 1
Embeddings genereren
Ruwe data (tekst, afbeeldingen) gaat door een embeddingmodel dat een vector van vaste grootte teruggeeft.
- 2
Indexeren
Vectoren worden met metadata opgeslagen en geïndexeerd met algoritmen als HNSW of IVF voor snel approximate nearest neighbor search.
- 3
Similarity search
Een queryvector wordt met de opgeslagen vectoren vergeleken via afstandsmaten (cosinusgelijkenis, euclidische afstand).
- 4
Resultaten ophalen
De meest gelijkende vectoren worden teruggegeven met hun metadata en de oorspronkelijke inhoud.
Waar het wordt gebruikt
- Semantisch zoeken
- Zoekmachines die de intentie begrijpen in plaats van alleen trefwoorden, en resultaten tonen die in de context relevant zijn.
- RAG-pipelines
- Embeddings van documenten opslaan voor retrieval-augmented generation in LLM-toepassingen.
- Aanbevelingssystemen
- Vergelijkbare producten, content of gebruikers vinden op basis van embeddings van gedrag of inhoud.