VectorDB（ベクトルデータベース）

VectorDB（ベクトルデータベース） は、近年 AI、機械学習、LLM（大規模言語モデル） の分野で非常に重要な役割を担うデータベースである。
簡単に言えば、数値ベクトル形式のデータ（=埋め込み）を効率的に保存し、類似データを素早く見つけることに特化したデータベースである。

VectorDBとは

VectorDBは、ベクトル（Vector）データの保存、検索、比較に最適化されたDBである。
通常、テキスト、画像、音声、コードなどの非構造化データを**埋め込み（embedding）**モデルによって固定長のベクトル（数値配列）に変換し、 それらのベクトルをVectorDBに保存する。

例えば:

"今日の天気はどう？"  ->  [0.12, -0.08, 0.56, ... , 0.33]
"今、雨が降っている？" ->  [0.11, -0.07, 0.57, ... , 0.31]

この2つのベクトルは意味的に似ているため、ベクトル間の距離（distance） が非常に近い。
VectorDBは、このような「類似度ベース検索」を高速に実行できるように作られたシステムである。

VectorDBの主な機能

VectorDBが重要な理由

大規模言語モデル（例: GPT、Claude、Geminiなど）は、**一度に処理できる入力量（Context length）**に制限がある。
そのため、すべての情報をLLMに入れることはできない。

このときVectorDBは次のように使われる。

ユーザーの質問 -> 埋め込みに変換 -> VectorDBで関連文書を検索 ->
結果をLLMに質問とともに渡して回答を生成（この構造をRAG、Retrieval-Augmented Generationという）

つまり、VectorDBはLLMの外部記憶装置のように動作する。

代表的なVectorDB製品

VectorDB検索の核心概念

ベクトル類似度の計算方法

• Cosine similarity（コサイン類似度）: 各ベクトルの方向がどれほど似ているか
• Euclidean distance（ユークリッド距離）: 2つのベクトル間の直線距離
• Dot product（内積）: 主に学習済み埋め込みで使用

インデックス（Indexing）

ベクトルは通常、数千から数百万個保存されるため、 検索を高速化するために**近似最近傍探索（ANN, Approximate Nearest Neighbor）**アルゴリズムを使用する。

代表的なインデックスアルゴリズム:

• HNSW (Hierarchical Navigable Small World)
• IVF (Inverted File Index)
• PQ (Product Quantization)

VectorDB + LLMの例（RAG構造）

flowchart LR
A[ユーザーの質問] --> B[埋め込み生成器]
B --> C[VectorDBで類似文書を検索]
C --> D[関連文書を返す]
D --> E[文書とともに質問をLLMへ渡す]
E --> F[正確で文脈のある回答を生成]

この構造により、ChatGPTに似た「知識ベースチャットボット」を自分で作ることができる。

実際の使用例（Python + Qdrant）

from qdrant_client import QdrantClient
from qdrant_client.models import PointStruct

client = QdrantClient(":memory:")

# サンプルベクトルを保存
client.upsert(
    collection_name="docs",
    points=[
        PointStruct(id=1, vector=[0.1, 0.3, 0.5], payload={"text": "こんにちは"}),
        PointStruct(id=2, vector=[0.11, 0.29, 0.51], payload={"text": "はじめまして"})
    ]
)

# クエリベクトルと類似するデータを検索
hits = client.search(collection_name="docs", query_vector=[0.12, 0.28, 0.49], limit=2)
print(hits)

まとめ