Vector Search

벡터 검색은 정확한 키워드 일치가 아니라 수학적 특성을 기반으로 데이터셋 내에서 유사한 항목을 식별하는 정교한 정보 검색 방법입니다. 특정 문자열을 찾는 방식에 의존하는 기존의 키워드 검색과 달리, 벡터 검색은 데이터의 기본 의미론적 의미를 분석합니다. 이 기술은 추상적인 개념 간의 관계를 컴퓨터가 이해할 수 있도록 하며 이미지, 오디오 파일, 자연어 텍스트와 같은 비정형 데이터를 놀라운 정확도로 처리하므로 최신 인공지능 (AI) 애플리케이션의 핵심 요소입니다.

벡터 검색의 작동 방식#

벡터 검색의 핵심은 원시 데이터를 임베딩이라고 하는 고차원 수치 벡터로 변환하는 것입니다. 이 프로세스는 항목을 다차원 공간의 점으로 매핑하며, 개념적으로 유사한 항목은 서로 가까운 위치에 놓입니다.

1. 벡터화: 딥러닝 (DL) 모델이 입력 데이터(예: 개 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 벡터는 특수 알고리즘을 사용하여 구성되며, 전용 벡터 데이터베이스에 저장되는 경우가 많습니다.

3. 유사도 계산: 사용자가 쿼리를 제출하면 시스템은 해당 쿼리를 벡터로 변환하고 코사인 유사도 또는 유클리드 거리와 같은 지표를 사용하여 저장된 벡터까지의 거리를 측정합니다.

4. 검색: 시스템은 문맥상 가장 관련성 높은 결과를 나타내는 "최근접 이웃"을 반환합니다.

임베딩 생성을 위한 Python 예제#

벡터 검색을 구현하려면 먼저 데이터를 벡터로 변환해야 합니다. 다음 코드 스니펫은 ultralytics 패키지와 사전 학습된 YOLO26 모델을 사용하여 이미지에서 특징 맵과 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 적용 사례#

벡터 검색은 오늘날 소프트웨어 생태계에서 많은 직관적인 기능을 작동시키는 엔진으로, 컴퓨터 비전 (CV)과 사용자의 의도 사이의 간극을 연결합니다.

• 시각적 추천 시스템: 소매업의 AI 분야에서 벡터 검색은 "스타일 완성 쇼핑" 기능을 지원합니다. 고객이 특정 핸드백을 마음에 들어 하면 시스템은 시각적 벡터가 유사한 항목을 찾아 형태, 질감, 스타일을 일치시키고 개인화된 추천 시스템을 생성합니다.
• 검색 증강 생성 (RAG): 대규모 언어 모델 (LLMs)을 향상하기 위해 개발자는 벡터 검색을 사용하여 지식 기반에서 관련 문서를 검색합니다. 이를 통해 AI에 문맥을 제공하여 환각을 줄이고 챗봇 상호작용의 정확도를 높일 수 있습니다.
• 이상 탐지: "정상" 작업의 벡터를 클러스터링하면 시스템은 클러스터에서 멀리 벗어난 이상치를 식별할 수 있습니다. 이는 제조 품질 관리의 이상 탐지와 데이터 보안에 매우 중요합니다.

관련 개념 구분하기#

전체 머신러닝 (ML) 파이프라인을 이해하려면 벡터 검색을 유사한 용어와 구분하는 것이 도움이 됩니다.

• 벡터 검색과 시맨틱 검색 비교: 시맨틱 검색은 사용자의 의도("무엇을")를 이해하는 더 광범위한 애플리케이션입니다. 벡터 검색은 벡터 근접성("어떻게")을 계산하여 이를 달성하는 데 사용되는 구체적인 알고리즘 방법입니다.
• 벡터 검색과 벡터 데이터베이스 비교: 벡터 데이터베이스는 대규모로 임베딩을 저장하고 관리하도록 설계된 인프라입니다. 벡터 검색은 정보를 검색하기 위해 해당 데이터베이스를 쿼리하는 프로세스입니다.
• 벡터 검색과 키워드 검색 비교: 키워드 검색은 정확한 텍스트 문자열을 일치시킵니다(예: "apple"은 "apple"과 일치). 벡터 검색은 의미를 일치시키므로 단어가 다르더라도 "apple"이 "fruit" 또는 "red"와 일치할 수 있습니다.

Ultralytics 플랫폼과의 통합#

유사도 검색 시스템을 구축하는 팀에게는 데이터셋을 관리하고 임베딩 모델을 학습하는 것이 중요한 첫 단계입니다. Ultralytics 플랫폼은 데이터 관리, 클라우드 학습 및 모델 배포를 위한 도구를 제공하여 이 워크플로를 간소화합니다. 객체 탐지 또는 분류를 위한 기본 모델의 성능을 높이면 결과 벡터가 정확하고 의미 있는 검색 결과를 제공하도록 할 수 있습니다.