Vector Search

벡터 검색은 정확한 키워드 일치보다는 수학적 특성을 바탕으로 데이터셋 내에서 유사한 항목을 식별하는 정교한 정보 검색 방법입니다. 특정 문자열 찾기에 의존하는 전통적인 keyword search와 달리, 벡터 검색은 데이터의 내재된 의미적 의미를 분석합니다. 이 기술은 컴퓨터가 추상적 개념 간의 관계를 이해할 수 있도록 하여 이미지, 오디오 파일, 자연어 텍스트와 같은 unstructured data를 놀라운 정확도로 처리할 수 있게 하므로 현대 artificial intelligence (AI) 애플리케이션의 핵심입니다.

Vector Search 작동 방식#

벡터 검색의 핵심은 원본 데이터를 embeddings라고 하는 고차원 수치 벡터로 변환하는 것입니다. 이 과정은 개념적으로 유사한 항목들이 서로 가까이에 위치하는 다차원 공간의 점들로 항목들을 매핑합니다.

1. 벡터화: deep learning (DL) 모델이 입력 데이터(예: 개의 이미지)를 처리하고 특징 벡터를 출력합니다. YOLO26과 같은 고급 모델은 이러한 풍부한 특징 표현을 효율적으로 생성하는 데 자주 사용됩니다.

2. 인덱싱: 검색을 빠르게 수행하기 위해 이러한 벡터들은 특화된 알고리즘을 사용하여 구성되며, 보통 전용 vector database에 저장됩니다.

3. 유사도 계산: 사용자가 쿼리를 제출하면 시스템은 해당 쿼리를 벡터로 변환하고 cosine similarity나 Euclidean distance 같은 지표를 사용하여 저장된 벡터와의 거리를 측정합니다.

4. Retrieval: 시스템은 가장 맥락적으로 관련성이 높은 결과를 나타내는 "최근접 이웃"을 반환합니다.

Python 예시: Embeddings 생성#

벡터 검색을 구현하려면 먼저 데이터를 벡터로 변환해야 합니다. 다음 코드 스니펫은 ultralytics 패키지와 사전 훈련된 YOLO26 모델을 사용하여 이미지로부터 feature maps와 임베딩을 생성하는 방법을 보여줍니다.

from ultralytics import YOLO

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

# Generate feature embeddings for an image URL
# The 'embed' method returns the high-dimensional vector representation
results = model.embed("https://ultralytics.com/images/bus.jpg")

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

실제 애플리케이션 사례#

벡터 검색은 computer vision (CV)과 사용자 의도 사이의 간극을 좁히며 오늘날의 소프트웨어 생태계에서 많은 직관적인 기능들의 엔진 역할을 합니다.

• 시각적 추천 시스템: AI in retail 분야에서 벡터 검색은 "룩 쇼핑(shop the look)" 기능을 구동합니다. 고객이 특정 핸드백을 좋아하면 시스템은 모양, 질감, 스타일이 일치하는 유사한 시각적 벡터를 가진 항목들을 찾아 개인화된 recommendation system을 만듭니다.
• 검색 증강 생성(RAG): Large Language Models (LLMs)을 강화하기 위해 개발자들은 벡터 검색을 사용하여 지식 베이스에서 관련 문서를 검색합니다. 이것은 AI에 컨텍스트를 제공하여 환각을 줄이고 chatbot 상호작용의 정확도를 향상시킵니다.
• 이상 감지: "정상" 작업의 벡터를 클러스터링함으로써 시스템은 클러스터에서 크게 벗어나는 이상치를 식별할 수 있습니다. 이는 제조 품질 관리 및 data security에서의 anomaly detection에 매우 중요합니다.

관련 개념 구분#

전체 machine learning (ML) 파이프라인을 이해하기 위해 유사한 용어와 벡터 검색을 구분하는 것이 유용합니다.

• 벡터 검색 vs Semantic Search: 시맨틱 검색은 사용자 의도(무엇, "what")를 이해하는 더 넓은 응용 프로그램입니다. 벡터 검색은 벡터 근접성을 계산하여 이를 달성하는 데 사용되는 구체적인 알고리즘적 방법(어떻게, "how")입니다.
• 벡터 검색 vs Vector Database: 벡터 데이터베이스는 대규모로 임베딩을 저장하고 관리하도록 설계된 인프라입니다. 벡터 검색은 정보를 검색하기 위해 해당 데이터베이스를 쿼리하는 과정입니다.
• 벡터 검색 vs Keyword Search: 키워드 검색은 정확한 텍스트 문자열을 일치시킵니다(예: "apple"은 "apple"과 일치). 벡터 검색은 의미를 일치시키므로 단어가 달라도 "apple"이 "fruit" 또는 "red"와 일치할 수 있습니다.

Ultralytics 플랫폼과의 통합#

similarity search 시스템을 구축하는 팀에게 데이터셋 관리와 임베딩 모델 학습은 중요한 첫 단계입니다. Ultralytics Platform은 데이터 관리, 클라우드 학습, 모델 배포를 위한 도구를 제공하여 이 워크플로를 단순화합니다. object detection용이든 분류용이든 기본 모델이 고성능을 발휘하도록 보장함으로써 결과 벡터가 정확하고 의미 있는 검색 결과를 제공하도록 보장할 수 있습니다.