ベクトルDB入門ベクトルとは何か、RDBやKVSと何が違うのか

ベクトルDB入門 — ベクトルとは何か、RDBやKVSと何が違うのか

みなさん、こんにちは。今日は最近よく耳にするようになった 「ベクトルDB（ベクトルデータベース）」 について、基礎からしっかりと学んでいきましょう。 「ベクトルって数学の授業で習った気がするけど……？」と思う方も多いかもしれません。そこでまずは ベクトルとは何か というところから始め、その上で RDB（リレーショナルデータベース） や KVS（キーバリューストア） との違い、さらに「CPUだけで十分なのか？GPUは必要なのか？」といったハードウェア面の話まで、じっくり解説していきます。

文章量は長めに（約5000字程度）まとめています。授業を受けるような感覚で、コーヒー片手にゆったり読んでみてください。

---

1. はじめに：なぜ今「ベクトルDB」なのか？ 💡

ここ数年、生成AIや大規模言語モデル（LLM）が爆発的に普及しました。ChatGPTやClaudeなど、私たちが普段触れているAIは、膨大な文章や画像を学習し、それを「数値化」して扱っています。 しかし「テキストそのもの」や「画像データそのもの」を直接AIが計算に使うわけではありません。実際にはそれらを 数百〜数千次元の数値の並び（ベクトル） に変換して扱っています。

このとき登場するのが ベクトルDB です。AIに「似た意味の文章を探す」「関連する画像を素早く取り出す」ためには、この高次元ベクトルを効率よく格納し、検索できるデータベースが必要になります。 従来のRDBやKVSではうまく扱えなかった「意味検索」を可能にするインフラ、それがベクトルDBなのです。

---

2. ベクトルとは何か？ 🧭

ではそもそも「ベクトル」とは何でしょうか？ 数学で学ぶベクトルは「大きさ」と「向き」を持つ量を指します。例えば物理で「10メートル毎秒で東に進む」といった速度は、単なる数字（スカラー量）ではなく、方向を持つベクトルです。

もっとわかりやすく例えてみましょう。

• スカラー：温度（30℃）、体重（60kg）など「数値だけ」で表せるもの。
• ベクトル：風（秒速10mで北東方向）、位置（x=3, y=4の地点）など「数値の集合」で方向や位置を表すもの。

コンピュータの世界では、この「数値の集合」をもっと広く応用します。例えば文章をAIに読み込ませると、AIはその文章を 次元の高いベクトル（例：768次元、1024次元） に変換します。 つまり「私はコーヒーが好きです」という文章は、単なる文字列ではなく、コンピュータの内部では [0.12, -0.98, 0.33, …] のようなベクトルとして保存されるのです。

---

3. ベクトル検索とは？ 🔎

文章や画像をベクトルに変換できたら、次にやりたいのは「似ているものを探す」ことです。

例を考えてみましょう。

• クエリ：「犬が走っている写真」
• データベースにあるベクトル化された画像：

• 猫が寝ている
• 犬がボールを追いかけている
• 車が走っている

このとき、ユーザーが求めるのは「犬がボールを追いかけている」画像ですよね。従来の検索（文字一致）だと「犬」というタグが付いていないとヒットしませんが、ベクトル検索なら 意味的に近いベクトル を探し出せます。

ベクトル同士の「近さ」は コサイン類似度 や ユークリッド距離 といった数学的な指標で測ります。これによって「意味的に似ている」ものを高速に取り出せるのです。

メモ：完全一致ではなく「意味の近さ」で探すのがポイントです。

---

4. ベクトルDBとRDB・KVSの違い 🧩

ここで本題に入りましょう。ベクトルDBは従来のデータベースとどう違うのでしょうか？

(1) RDB（リレーショナルデータベース）

• 代表例：MySQL、PostgreSQL、Oracle Database
• データを「表（テーブル）」に格納し、行と列で管理します。
• SQLという言語で「WHERE条件に合うデータを取り出す」といった操作を行います。
• 得意分野：構造化データ（売上管理、顧客管理など）、複雑なJOIN処理。
• 不得意分野：意味検索。文章や画像を「似ているかどうか」で検索することは苦手。

(2) KVS（Key-Value Store）

• 代表例：Redis、Amazon DynamoDB
• 「キー」と「値」のペアでデータを保存。
• 例：「user123」→「名前：山田太郎、年齢：30」
• 得意分野：超高速な単純検索（キーが分かれば一瞬で値が取れる）。
• 不得意分野：複雑な条件検索、意味検索。

(3) ベクトルDB

• 代表例：Pinecone、Milvus、Weaviate、FAISS（Facebookが開発したライブラリ）。
• データを「ベクトル」として格納し、近似最近傍探索（ANN: Approximate Nearest Neighbor）で「似ているもの」を素早く検索。
• 得意分野：意味検索、レコメンド（あなたに似た好みを持つ人はこの商品も好きです）、画像・音声・動画検索。
• 不得意分野：従来型の会計処理や在庫管理など「正確な数値集計」が必要な場面。

つまり、RDBやKVSは「構造化データに強い」、ベクトルDBは「意味検索に強い」と整理できます。

---

5. ベクトルDBはCPUだけで十分か？ ⚙️

さて、ここで気になるのがハードウェアです。 ベクトルDBは「高次元のベクトル同士の類似度計算」を大量に行います。これは行列計算であり、GPUが得意とする処理です。

CPUだけで動くのか？

• はい、基本的にはCPUだけでも動作します。
• FAISSやMilvusなど多くのベクトルDBは、CPU版ライブラリを提供しています。
• 小〜中規模のデータセット（数十万件〜数百万件）なら、CPUだけでも十分に実用的です。

GPUを使うと何が変わる？

• 数千万件以上の大規模データセットでは、CPUだと検索に時間がかかります。
• GPUを使うと並列計算が効くため、検索速度が数倍〜数十倍速くなることがあります。
• 例：ユーザーがリアルタイムにクエリを投げて結果を返すようなレコメンドサービスでは、GPUの恩恵が大きい。

実際の現場では？

• スタートアップや小規模開発：まずはCPUで十分。クラウド上でスケールできる。
• 大規模サービス（数億件規模）：GPUや分散クラスタを導入。

つまり、GPUは「必須」ではなく「規模によって必要になる」オプションだと考えるとよいでしょう。

---

6. ベクトルDBの活用例 📚

ここまでの理解をさらに深めるために、実際の利用例をいくつか紹介します。

1. 検索エンジンの高度化

• 単なる文字一致ではなく「意味ベースの検索」が可能。
• 例：「スマホが壊れた」と検索すると「携帯修理」「iPhone修理店」などもヒット。

1. レコメンドシステム

• AmazonやNetflixの「あなたへのおすすめ」。
• 商品や映画をベクトル化し、ユーザーの好みと近いものを提示。

1. チャットボット・RAG（Retrieval-Augmented Generation）

• ChatGPTのようなAIに知識ベースを与えるときに使う。
• 質問に応じて関連文書をベクトル検索で探し、回答を生成。

1. 画像・音声検索

• 似た写真を探す、歌声から曲を探す。
• テキストタグがなくても「似ているデータ」を検索可能。

---

7. まとめ ✅

みなさん、ここまでで「ベクトルDBとは何か」がずいぶんクリアになったのではないでしょうか。最後に要点を整理しましょう。

1. ベクトルとは？

数値の集合で、AIはテキストや画像をベクトル化して扱う。

1. ベクトルDBの役割

意味的に「似ている」ものを探すためのデータベース。

1. RDBやKVSとの違い

• RDB：表形式、構造化データの集計に強い
• KVS：キー一致による超高速検索に強い
• ベクトルDB：意味検索に強い

1. CPU vs GPU

• 小規模ならCPUで十分
• 大規模・リアルタイム処理ではGPUが有効

1. 活用シーン

検索エンジン、レコメンド、チャットボット、画像検索などAI全般で急速に拡大中。

ベクトルDBは、AI時代の「新しい検索の土台」とも言える存在です。みなさんもぜひ、RDBやKVSとの違いを意識しながら、実際に小さなプロジェクトで試してみると理解が一層深まるでしょう。