PostgreSQL AI 벡터 DB 웨비나: pgvector·VectorChord·AIDB 실전 데모
PostgreSQL AI 벡터 DB 웨비나 개요
생성형 AI와 검색 증강 생성(Retrieval-Augmented Generation, RAG)을 활용한 애플리케이션에서는 대규모 벡터 데이터를 효율적으로 저장하고 검색하는 방법이 중요합니다. 특히 시맨틱 검색과 RAG를 구현하려면 데이터 변환, 임베딩 생성, 벡터 인덱싱과 검색으로 이어지는 과정을 함께 설계해야 합니다.
이 PostgreSQL 기반 AI 및 벡터 DB 웨비나에서는 pgvector, VectorChord, BM25, AIDB를 중심으로 벡터 검색과 AI 데이터 파이프라인의 주요 개념을 살펴봅니다. RGB 컬러와 PDF 문서를 활용한 실제 데모도 함께 확인할 수 있습니다.
PostgreSQL AI 및 벡터 DB 웨비나 다시보기
아래 영상에서 오픈소스 PostgreSQL 확장인 pgvector를 활용한 시맨틱 검색부터 VectorChord, BM25, 데이터베이스 내부 AI 파이프라인을 지원하는 AIDB까지 확인해 보세요.
웨비나에서 다루는 핵심 내용
이 웨비나는 텍스트와 이미지 등 다양한 형태의 데이터를 벡터로 변환하고 검색하는 과정을 실제 데모와 함께 설명합니다.
AI와 벡터 데이터베이스의 기본 개념
생성형 AI 애플리케이션에서 벡터 임베딩과 벡터 데이터베이스가 어떤 역할을 하는지 살펴봅니다. 기존의 키워드 일치 방식과 달리 데이터의 의미적 유사성을 바탕으로 관련 정보를 찾는 시맨틱 검색의 기본 원리도 확인할 수 있습니다.
pgvector를 활용한 시맨틱 검색과 RAG 데모
pgvector를 활용해 PostgreSQL에서 벡터 임베딩을 저장하고 유사도 검색을 수행하는 흐름을 소개합니다. RGB 컬러와 PDF 문서를 예제로 사용해 시맨틱 검색과 RAG를 구현하는 과정을 보여줍니다.
VectorChord와 BM25를 활용한 검색 방식
VectorChord와 BM25를 중심으로 벡터 검색과 키워드 기반 검색을 살펴보고, 인덱싱과 검색 과정에서 고려할 내용을 설명합니다.
AIDB 기반 In-DB AI 파이프라인
AIDB를 활용해 데이터베이스 내부에서 AI 모델 등록, 임베딩 생성, 검색, 대규모 언어 모델(LLM) 기반 텍스트 생성으로 이어지는 과정을 구성하는 방법을 소개합니다. 외부 미들웨어 구성을 줄이면서 PostgreSQL 안에서 AI 데이터 워크플로를 설계하는 접근법을 확인할 수 있습니다.
이런 분들께 추천합니다
- AI 개발자: RAG와 시맨틱 검색을 활용한 AI 애플리케이션을 개발하거나 기획하고 있는 분
- DBA 및 데이터 엔지니어: PostgreSQL 환경에서 벡터 데이터를 효율적으로 저장하고 검색하는 방법을 확인하고 싶은 분
- IT 아키텍트: Python이나 LangChain 등의 외부 미들웨어 의존도를 줄이고 데이터베이스 중심의 AI 아키텍처를 검토하는 분
PostgreSQL AI 벡터 DB FAQ
벡터 데이터베이스는 생성형 AI와 RAG에서 어떤 역할을 하나요?
벡터 데이터베이스는 텍스트와 이미지 등을 임베딩으로 저장하고, 의미적으로 유사한 데이터를 검색하는 데 사용됩니다. RAG에서는 사용자 질문과 관련된 정보를 찾아 대규모 언어 모델에 제공하는 검색 계층으로 활용할 수 있습니다.
pgvector란 무엇인가요?
pgvector는 PostgreSQL에서 벡터 임베딩을 저장하고 쿼리하며 인덱싱할 수 있게 해주는 오픈소스 확장입니다. 시맨틱 검색과 RAG처럼 고차원 벡터의 유사도 검색이 필요한 AI 애플리케이션에 활용됩니다.
이 웨비나에서는 어떤 데모를 볼 수 있나요?
RGB 컬러와 PDF 문서를 활용한 pgvector 시맨틱 검색 및 RAG 데모를 확인할 수 있습니다. 또한 VectorChord, BM25, AIDB를 활용한 검색과 AI 데이터 파이프라인 접근법도 다룹니다.
AIDB는 어떤 작업을 지원하나요?
이 웨비나에서는 AIDB를 통해 데이터베이스 내부에서 AI 모델 등록, 임베딩 생성, 검색, LLM 기반 텍스트 생성으로 이어지는 흐름을 구성하는 방법을 소개합니다. 이를 통해 PostgreSQL 중심의 AI 데이터 워크플로를 살펴볼 수 있습니다.
이 웨비나는 누구에게 적합한가요?
RAG 또는 시맨틱 검색을 개발하는 AI 개발자, PostgreSQL에서 벡터 데이터를 관리하는 DBA와 데이터 엔지니어, 데이터베이스 중심의 AI 아키텍처를 검토하는 IT 아키텍트에게 적합합니다.