Vector Database

ベクトルデータベースは、一般的に埋め込みと呼ばれる高次元のベクトルデータを管理、インデックス化、クエリするために設計された特殊なストレージシステムです。正確なキーワード一致のために構造化データを列と行に整理する従来のリレーショナルデータベースとは異なり、ベクトルデータベースはセマンティックな検索に最適化されています。これにより、インテリジェントなシステムは、同一のデータではなく概念的に類似したデータポイントを見つけることができます。この機能は現代の人工知能 (AI)インフラストラクチャの基本であり、画像、音声、動画、テキストといった非構造化データ間の数学的関係を分析することで、アプリケーションがデータを処理および理解することを可能にします。これらのデータベースはインテリジェントエージェントの長期記憶として機能し、ビジュアル検索やパーソナライズされたレコメンデーションといったタスクを促進します。

Link to this sectionベクトルデータベースの仕組み#

ベクトルデータベースの機能はベクトル空間の概念を中心に構築されており、データ項目は多次元座標系内の点としてマッピングされます。そのプロセスは特徴抽出から始まり、ディープラーニング (DL)モデルが生の入力を数値ベクトルに変換します。

1. 取り込み (Ingestion): データは、最先端のYOLO26などのニューラルネットワークによって処理され、埋め込みを生成します。これらのベクトルは、入力のセマンティックな意味を浮動小数点数の高密度リストに圧縮します。

2. インデックス作成 (Indexing): 検索中の推論レイテンシを低く抑えるため、データベースは特殊なアルゴリズムを使用してこれらのベクトルを整理します。HNSW (Hierarchical Navigable Small World)やIVF (Inverted File Index)といった技術により、システムはすべてのエントリをスキャンすることなく、数十億のベクトルを効率的にナビゲートできます。

3. クエリ (Querying): ユーザーが検索クエリ（例：特定の靴のスタイルの画像）を送信すると、システムはそのクエリをベクトルに変換し、コサイン類似度やユークリッド距離といった距離指標を使用して、保存されたベクトルとの近接度を計算します。

4. 取得 (Retrieval): データベースは、コンテキスト的に最も関連性の高い結果を表す「近傍（nearest neighbors）」を返します。

以下のPythonスニペットは、ベクトルデータベースに格納する前の前提ステップである、標準の ultralytics モデルを使用して埋め込みを生成する方法を示しています。

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate feature embeddings for an image file
# The 'embed' method creates the vector representation needed for the database
results = model.embed("https://ultralytics.com/images/bus.jpg")

# Output the shape of the resulting embedding vector
print(f"Embedding vector shape: {results[0].shape}")

Link to this section実社会での応用#

ベクトルデータベースは、今日のエンタープライズ環境で使用される多くの高度なコンピュータビジョン (CV)や自然言語処理 (NLP)アプリケーションを支えるエンジンです。

• 検索拡張生成 (RAG): 生成AIの時代において、ベクトルデータベースは大規模言語モデル (LLM)がプライベートで最新の膨大なデータライブラリにアクセスすることを可能にします。ユーザーのプロンプトのセマンティックな意味に基づいて関連ドキュメントを取得することで、システムはLLMのハルシネーションを低減し、事実に基づいたコンテキストを考慮した回答を提供します。
• ビジュアルレコメンデーションエンジン: 小売におけるAIにおいて、プラットフォームはベクトルデータベースを使用して「類似のスタイルを探す」機能を強化しています。ユーザーが特定のサマードレスを表示すると、システムはデータベースに対して、パターン、カット、色などが一致する類似の視覚的埋め込みを持つ他の製品画像を照会し、単純なタグベースのフィルタリングよりも優れたユーザーエクスペリエンスを提供します。
• 異常および脅威検知: セキュリティシステムは異常検知のためにベクトルデータベースを活用しています。「正常」な動作や許可された人員の埋め込みを保存することで、システムはベクトル空間内の予想されるクラスターから外れた外れ値を即座にフラグ立てし、データセキュリティと施設監視を強化します。

Link to this section関連する概念との違い#

これらのシステムを効果的に実装するためには、機械学習運用 (MLOps)のランドスケープにおける関連技術とベクトルデータベースを区別することが役立ちます。

• ベクトルデータベース vs ベクトル検索: ベクトル検索とは、類似のベクトルを見つける「動作」やアルゴリズムのプロセス（「どのように」）を指します。ベクトルデータベースは、データを保存し、インデックスを管理し、それらの検索を大規模に実行するために構築された堅牢な「インフラストラクチャ」（「どこで」）です。
• ベクトルデータベース vs 特徴量ストア: 特徴量ストアは、モデルのトレーニングと推論に使用される特徴量を管理するための集中型リポジトリであり、一貫性を確保します。特徴量データは扱いますが、ベクトルデータベースを定義するような類似性ベースの検索クエリには主として最適化されていません。
• ベクトルデータベース vs データレイク: データレイクは、大量の生のデータをネイティブ形式で保存します。ベクトルデータベースは、そのデータの処理済みかつ数学的な表現（埋め込み）を保存し、類似検索に特化して最適化されています。

Link to this section最新のAIワークフローとの統合#

ベクトルデータベースの実装には、多くの場合、効率的なYOLO26のようなモデルが埋め込みエンジンとして機能するパイプラインが含まれます。これらのモデルはエッジやクラウドで視覚データを処理し、その結果生成されたベクトルはPinecone、Milvus、またはQdrantのようなソリューションにプッシュされます。

データキュレーションや自動アノテーションからモデルのトレーニング、デプロイメントに至るまで、このライフサイクル全体を合理化したいチーム向けに、Ultralytics Platformは包括的な環境を提供します。モデルのトレーニングと効率的なデプロイメント戦略を統合することで、開発者はベクトルデータベースに供給される埋め込みの正確性を保証でき、その結果、より高品質な検索結果と、よりスマートなAIエージェントが実現します。