AI 시대를 위한 필수 데이터베이스

인공지능(AI)과 머신러닝(ML)의 부상으로 구조화 데이터와 비구조화 데이터를 모두 효율적으로 처리할 수 있는 데이터베이스에 대한 수요가 증가했습니다. MariaDB Enterprise Platform 벡터 검색 기능을 핵심 데이터베이스 엔진에 직접 통합함으로써 이러한 수요를Enterprise Platform . 이를 통해 강력한 새로운 기능이 제공되어, RAG(Retrieval-Augmented Generation) 시스템, 시맨틱 검색 및 추천 엔진을 활용하여 정교한 AI 기반 애플리케이션을 구축할 수 있습니다.

MariaDB 별도의 벡터 데이터베이스가 필요 없도록 함으로써 데이터 인프라를 MariaDB , 기존 SQL 연산과 벡터 임베딩 간의 시너지를 활용할 수 있게 해줍니다. 벡터 및 관계형 데이터 관리를 통합한 MariaDB Enterprise Platform 개발 과정을Enterprise Platform , 성능을 향상시키며, 비용을 절감함으로써 AI의 잠재력을 최대한 활용하고자 하는 조직에 비용 효율적인 솔루션을 제공합니다.

하이브리드 검색으로 탁월한 관련성을 실현하세요

두 가지 검색 방식의 장점을 결합하여 매우 정확한 결과를 제공합니다. 하이브리드 검색은 전체 텍스트 검색의 키워드 정확도와 벡터 검색의 유사도 기반 매칭을 통합합니다. MariaDB RRF(Reciprocal Rank Fusion)를 사용하여 결과를 지능적으로 순위 지정하고 통합함으로써, 사용자가 원하는 정보를 더 빠르게 정확하게 찾을 수 있도록 보장합니다.

벡터 관리를 위한 간소화된 데이터 스택

별도의 벡터 데이터베이스를 없애 데이터 인프라를 간소화하세요. MariaDB벡터 검색을 기본적으로 지원하므로, 관계형 데이터와 벡터 임베딩을 하나의 통합된 환경에서 관리할 수 있어 복잡성, 운영 부담 및 데이터 동기화 문제를 줄일 수 있습니다.

까다로운 AI 워크로드를 위한 고성능

AI 애플리케이션을 위해 빠르고 높은 QPS를 자랑하는 유사도 검색 기능을 통해 고성능 벡터 검색을 구현하세요. MariaDB 벡터 워크로드를 네이티브 방식으로 처리함으로써, 별도의 전용 외부 데이터베이스 없이도 최적의 성능과 원활한 통합을 MariaDB .

관계형 데이터와의 원활한 통합

벡터 검색의 강력한 기능을 기존 관계형 데이터와 결합하세요. 두 데이터 유형을 모두 활용하는 복잡한 하이브리드 쿼리를 실행하여 더 심층적인 인사이트를 도출할 수 있습니다. 예를 들어, 단일 SQL 문 내에서 가격 및 재고와 같은 구조화된 기준도 충족하는 시각적으로 유사한 제품을 검색할 수 있습니다.

MariaDB 활용한 비용 효율적인 벡터 검색

별도의 벡터 데이터베이스로 인해 발생하는 비용과 복잡성을 피하십시오. MariaDB Enterprise Platform 기존 인프라를 활용하여 통합 벡터 검색 기능을 구현할 수 있어, 운영 부담을 줄이고 관리 업무를 간소화할 수 있습니다. 여러 데이터베이스를 병행하는 방식 대신, 강력하고 통합된 단일 솔루션을 선택하십시오.

MariaDB pgvector

벡터 검색 성능 벤치마크

Small Datum LLC는 최근 MariaDB내장 벡터 검색 기능과 PostgreSQL의 인기 확장 기능인 pgvector를 비교하는 철저한 벤치마크 테스트를 실시했습니다. 이 테스트 결과는 pgvector와 비교했을 때 MariaDB벡터 검색이 보여주는 속도, 효율성 및 사용 편의성에 대한 설득력 있는 통찰력을 제공합니다.

높은 QPS(초당 쿼리 수)

MariaDB pgvector보다 MariaDB 뛰어난 성능을 보여주며, 주어진 리콜 목표에 대해 최대 두 배에 달하는 QPS를 제공합니다.

빠른 인덱스 생성 시간

MariaDB 훨씬 MariaDB , 인덱스를 생성하는 데 걸리는 시간이 더 짧으면서도 유사한 수준이거나 더 뛰어난 리콜률(쿼리를 통해 반환되는 진정으로 관련성이 높은 결과, 즉 “진정한 가장 가까운 이웃”의 비율)을 MariaDB .

조율의 용이성

MariaDB pgvector에서 요구하는 복잡한 매개변수 설정이 필요 없도록 함으로써 튜닝 과정을 MariaDB .