Vector Database

Cơ sở dữ liệu vector là một hệ thống lưu trữ chuyên dụng được thiết kế để quản lý, lập chỉ mục và truy vấn dữ liệu vector có số chiều cao, thường được gọi là embeddings. Không giống cơ sở dữ liệu quan hệ truyền thống, vốn tổ chức dữ liệu có cấu trúc thành các hàng và cột để đối sánh từ khóa chính xác, cơ sở dữ liệu vector được tối ưu hóa cho việc truy xuất ngữ nghĩa. Cơ sở dữ liệu này cho phép các hệ thống thông minh tìm các điểm dữ liệu tương đồng về mặt khái niệm thay vì giống hệt nhau. Khả năng này đóng vai trò nền tảng trong hạ tầng trí tuệ nhân tạo (AI) hiện đại, cho phép các ứng dụng xử lý và hiểu dữ liệu phi cấu trúc—chẳng hạn như hình ảnh, âm thanh, video và văn bản—bằng cách phân tích các mối quan hệ toán học giữa chúng. Các cơ sở dữ liệu này đóng vai trò là bộ nhớ dài hạn cho các agent thông minh, hỗ trợ những tác vụ như tìm kiếm trực quan và đề xuất được cá nhân hóa.

Cách cơ sở dữ liệu vector hoạt động#

Chức năng của cơ sở dữ liệu vector xoay quanh khái niệm không gian vector, trong đó các mục dữ liệu được ánh xạ thành các điểm trong một hệ tọa độ đa chiều. Quy trình bắt đầu bằng trích xuất đặc trưng, trong đó một model học sâu (DL) chuyển đổi dữ liệu đầu vào thô thành các vector số.

1. Nạp dữ liệu: Dữ liệu được xử lý bởi một mạng neural, chẳng hạn như YOLO26 hiện đại, để tạo embeddings. Các vector này cô đọng ý nghĩa ngữ nghĩa của dữ liệu đầu vào thành một danh sách dày đặc các số dấu phẩy động.

2. Lập chỉ mục: Để đảm bảo độ trễ suy luận thấp trong quá trình truy xuất, cơ sở dữ liệu tổ chức các vector này bằng những thuật toán chuyên dụng. Các kỹ thuật như Thế giới nhỏ có thể điều hướng phân cấp (HNSW) hoặc Chỉ mục tệp đảo (IVF) cho phép hệ thống điều hướng hiệu quả qua hàng tỷ vector mà không cần quét từng mục riêng lẻ.

3. Truy vấn: Khi người dùng gửi một truy vấn tìm kiếm (ví dụ: hình ảnh về một kiểu giày cụ thể), hệ thống chuyển đổi truy vấn đó thành một vector và tính độ gần với các vector được lưu trữ bằng các chỉ số khoảng cách như độ tương đồng cosine hoặc khoảng cách Euclid.

4. Truy xuất: Cơ sở dữ liệu trả về các "láng giềng gần nhất", đại diện cho những kết quả phù hợp nhất về mặt ngữ cảnh.

Đoạn mã Python sau đây minh họa cách tạo embeddings bằng model ultralytics tiêu chuẩn, đây là bước tiên quyết trước khi nạp dữ liệu vào cơ sở dữ liệu vector.

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}")

Các ứng dụng trong thực tế#

Cơ sở dữ liệu vector là nền tảng cho nhiều ứng dụng thị giác máy tính (CV) và Xử lý ngôn ngữ tự nhiên (NLP) tiên tiến đang được sử dụng trong các môi trường doanh nghiệp hiện nay.

• Sinh tăng cường truy xuất (RAG): Trong kỷ nguyên AI tạo sinh, cơ sở dữ liệu vector cho phép Các mô hình ngôn ngữ lớn (LLMs) truy cập một thư viện khổng lồ chứa dữ liệu riêng tư và được cập nhật. Bằng cách truy xuất các tài liệu liên quan dựa trên ý nghĩa ngữ nghĩa trong prompt của người dùng, hệ thống giảm hiện tượng bịa đặt trong LLMs và cung cấp các phản hồi chính xác, nhận biết ngữ cảnh.
• Công cụ đề xuất trực quan: Trong lĩnh vực AI bán lẻ, các nền tảng sử dụng cơ sở dữ liệu vector để hỗ trợ tính năng "mua các kiểu tương tự". Nếu người dùng xem một chiếc váy mùa hè cụ thể, hệ thống sẽ truy vấn cơ sở dữ liệu để tìm các hình ảnh sản phẩm khác có embeddings trực quan tương tự—đối sánh họa tiết, kiểu cắt và màu sắc—mang lại trải nghiệm người dùng tốt hơn so với việc lọc đơn giản dựa trên tag.
• Phát hiện bất thường và mối đe dọa: Các hệ thống bảo mật tận dụng cơ sở dữ liệu vector để phát hiện bất thường. Bằng cách lưu trữ embeddings về hành vi "bình thường" hoặc nhân sự được cấp quyền, hệ thống có thể ngay lập tức đánh dấu các điểm lệch nằm ngoài cụm dự kiến trong không gian vector, qua đó tăng cường bảo mật dữ liệu và giám sát cơ sở.

Phân biệt các khái niệm liên quan#

Để triển khai hiệu quả các hệ thống này, việc phân biệt cơ sở dữ liệu vector với những công nghệ liên quan trong bối cảnh vận hành machine learning (MLOps) là rất hữu ích.

• Cơ sở dữ liệu vector và Tìm kiếm vector: Tìm kiếm vector là hành động hoặc quy trình thuật toán tìm các vector tương tự ("cách thức"). Cơ sở dữ liệu vector là hạ tầng mạnh mẽ được xây dựng để lưu trữ dữ liệu, quản lý chỉ mục và thực hiện các lượt tìm kiếm này ở quy mô lớn ("nơi chốn").
• Cơ sở dữ liệu vector và Feature Store: Feature store là một kho lưu trữ tập trung để quản lý các feature được sử dụng trong quá trình training và inference của model, đảm bảo tính nhất quán. Mặc dù xử lý dữ liệu feature, feature store không được tối ưu hóa chủ yếu cho các truy vấn truy xuất dựa trên độ tương đồng vốn định nghĩa cơ sở dữ liệu vector.
• Cơ sở dữ liệu vector và Data Lake: Data lake lưu trữ lượng lớn dữ liệu thô ở định dạng gốc. Cơ sở dữ liệu vector lưu trữ các biểu diễn toán học đã được xử lý (embeddings) của dữ liệu đó, được tối ưu hóa riêng cho tìm kiếm tương đồng.

Tích hợp với các quy trình AI hiện đại#

Việc triển khai cơ sở dữ liệu vector thường bao gồm một pipeline, trong đó các model hiệu quả như YOLO26 đóng vai trò là engine tạo embeddings. Các model này xử lý dữ liệu trực quan ở edge hoặc trên cloud, sau đó các vector thu được được đẩy vào những giải pháp như Pinecone, Milvus hoặc Qdrant.

Đối với các team muốn tinh gọn toàn bộ vòng đời này—từ tuyển chọn dữ liệu và tự động gắn nhãn đến training và deployment model—Nền tảng Ultralytics cung cấp một môi trường toàn diện. Bằng cách tích hợp training model với các chiến lược deployment hiệu quả, developer có thể đảm bảo rằng embeddings cung cấp dữ liệu cho cơ sở dữ liệu vector là chính xác, từ đó tạo ra kết quả tìm kiếm chất lượng cao hơn và các agent AI thông minh hơn.