PostgreSQL AI·벡터 DB 웨비나: pgvector부터 VectorChord, AIDB까지

생성형 AI와 검색 증강 생성(Retrieval-Augmented Generation, RAG) 애플리케이션을 개발할 때는 방대한 벡터 데이터를 효율적으로 저장하고 검색하는 방법이 중요합니다. 특히 파이프라인 구성과 외부 플랫폼 연동이 복잡해질수록 데이터베이스 안에서 AI 워크로드를 처리하는 방법에 대한 관심도 커지고 있습니다.

‘PostgreSQL 기반 AI & 벡터 DB’ 웨비나에서는 PostgreSQL 기반 벡터 데이터베이스의 핵심 개념과 구현 방법을 실제 데모로 소개합니다. 오픈소스 pgvector를 활용한 시맨틱 검색과 RAG 구현부터 VectorChord, BM25, AIDB를 이용한 데이터베이스 내 AI 파이프라인까지 한 번에 확인할 수 있습니다.

PostgreSQL 기반 AI·벡터 DB 웨비나 다시보기

아래 영상에서 pgvector를 활용한 시맨틱 검색, VectorChord와 BM25를 이용한 벡터 검색, 올인원(All-in-one) 솔루션 AIDB의 활용 방법을 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 데이터베이스가 필요한 이유를 설명합니다.
• pgvector 실전 데모: RGB 컬러와 PDF 문서를 활용해 시맨틱 검색 및 RAG를 구현하는 과정을 보여줍니다.
• VectorChord와 BM25를 활용한 벡터 검색: 기존 pgvector와 비교해 인덱싱 및 검색 속도를 높이는 방법을 소개합니다.
• AIDB 기반 인데이터베이스 AI 파이프라인(In-DB AI Pipeline): 외부 플랫폼 연동 없이 데이터베이스 내부에서 AI 모델 등록, 임베딩, 검색, 대규모 언어 모델(LLM) 기반 텍스트 생성을 처리하는 방법을 소개합니다.

이런 분들께 추천합니다

• AI 개발자: RAG 등 최신 AI 애플리케이션을 개발하고 있거나 도입을 기획하는 분
• DBA 및 데이터 엔지니어: PostgreSQL 환경에서 벡터 데이터를 효율적으로 관리하고 검색하려는 분
• 데이터 및 솔루션 아키텍트: Python이나 LangChain 등의 별도 미들웨어 구성을 줄이고 데이터베이스 중심으로 AI 기능을 구현하려는 분

PostgreSQL AI·벡터 DB 웨비나 FAQ