소개
AI 애플리케이션에는 의미 체계 검색, 권장 사항 및 검색 보강된 생성을 구동하기 위해 효율적인 스토리지 및 벡터 포함 검색이 필요합니다. 이 모듈에서는 pgvector 확장을 사용하여 Azure Database for PostgreSQL에서 벡터 검색 기능을 구현하여 데이터에서 의미상 유사한 콘텐츠를 찾는 AI 솔루션을 빌드하는 방법을 안내합니다.
법률 서비스 회사를 위한 기술 자료 검색 시스템을 빌드하는 개발자라고 상상해 보십시오. 이 시스템은 변호사가 정확한 키워드 일치가 아닌 쿼리의 의미에 따라 관련 사례 문서, 계약 및 법적 판례를 찾을 수 있도록 도와야 합니다. 변호사가 "기업 합병에서 신탁 의무 위반"을 검색할 때 시스템은 다른 용어를 사용하더라도 유사한 개념을 논의하는 문서를 반환해야 합니다.
회사에서 문서 메타데이터 및 클라이언트 정보를 이미 저장하고 있기 때문에 팀에서 Azure Database for PostgreSQL을 선택했습니다. 별도의 벡터 데이터베이스를 도입하고 데이터 동기화를 관리하는 대신 기존 PostgreSQL 인스턴스에 직접 벡터 검색 기능을 추가하려고 합니다. 시스템은 수십만 개의 법적 문서를 처리하고, 초 미만의 응답 시간으로 실시간 쿼리를 지원하고, 새 문서가 매일 도착할 때 포함을 업데이트해야 합니다.
pgvector 확장을 사용하도록 설정하고, 문서 메타데이터와 함께 포함을 저장하는 스키마를 디자인하고, 검색 속도와 정확도의 균형을 맞추는 인덱스를 만들고, RAG 기반 법률 연구 도우미에 가장 관련성이 높은 문서를 검색하는 쿼리를 작성해야 합니다.
이 모듈을 완료하면 다음을 수행할 수 있습니다.
- Azure Database for PostgreSQL에서 pgvector 확장을 사용하여 벡터 임베딩을 저장하고 쿼리하기
- 다른 거리 메트릭 및 연산자를 사용하여 벡터 유사성 검색 실행
- 검색 성능을 최적화하기 위해 벡터 인덱스 만들기 및 관리
- 데이터 세트 진화를 위한 포함 업데이트 및 새로 고침 전략 구현
- RAG 파이프라인과 PostgreSQL 벡터 검색을 통합하는 검색 패턴 빌드
Note
우리는 다른 사람들이 다른 방법으로 배우는 것을 좋아한다는 것을 알고 있습니다. 이 모듈을 비디오 기반 형식으로 완료하도록 선택하거나 콘텐츠를 텍스트 및 이미지로 읽을 수 있습니다. 텍스트는 비디오보다 더 자세한 내용을 포함하므로 경우에 따라 비디오 프레젠테이션에 대한 추가 자료로 참조할 수 있습니다.