벡터 검색
Vector Search
벡터 검색은 문서와 질의를 임베딩 벡터로 표현하고, 질의 벡터와 가까운 문서 벡터를 찾아 결과를 반환하는 정보 검색 방식입니다. 같은 단어가 들어갔는지만 보는 정확 키워드 검색과 달리 의미적 유사성을 찾을 수 있습니다.
AI 보조 조사·작성 후 원문과 대조한 설명입니다. 사례·계산은 별도 출처 표기가 없는 한 이해를 위한 가상 예시이며 실제 고객 성과가 아닙니다.
벡터 검색은 어떤 결과를 찾나
벡터 검색은 숫자로 표현된 콘텐츠 사이의 가까움을 사용합니다. Azure AI Search 문서는 "dog"와 "canine"처럼 문자열은 다르지만 개념이 비슷한 대상을 찾거나, 여러 언어와 이미지·텍스트를 같은 공간에서 비교하는 사례를 제시합니다.
색인 단계에서는 문서를 나누고 각 조각의 임베딩을 저장합니다. 질의 단계에서는 사용자 질문도 같은 모델로 벡터화한 뒤 k개의 가까운 이웃을 찾습니다. k는 반환 후보 수이며, k를 늘리면 근거를 놓칠 가능성은 줄지만 관련 없는 후보와 처리 비용이 늘 수 있습니다.
거리와 상위 k 예시
가정상 질의 벡터 Q가 [1, 0]이고 세 문서 벡터가 A=[0.9, 0.1], B=[0.6, 0.8], C=[-1, 0]이라고 하겠습니다. 코사인 유사도는 A가 Q에 가장 가깝고 C가 가장 멉니다. k=2라면 A와 B를 후보로 반환합니다. 다만 A 문서의 날짜가 오래됐다면 메타데이터 필터로 제외해야 할 수 있습니다.
| 항목 | 값을 키울 때 | 주의 |
|---|---|---|
| k | 후보 수 증가 | 잡음·지연 증가 |
| 문서 조각 길이 | 맥락 증가 | 주제 혼합 가능 |
| 유사도 기준 | 결과 축소 | 정답 누락 가능 |
키워드 검색과 하이브리드 검색
키워드 검색은 제품 코드, 법 조항, 정확한 고유명사처럼 문자열 일치가 중요한 질의에 강합니다. 벡터 검색은 표현이 달라도 의미가 비슷한 질의를 찾는 데 유리합니다. 하이브리드 검색은 두 결과를 함께 계산해 합칩니다. Microsoft RAG 문서도 keyword, semantic, vector, hybrid 방식을 별도로 구분합니다.
- "AB-1200" 모델 번호는 키워드 필드를 우선합니다.
- "비 오는 날 신을 신발"은 의미 검색이 후보 확장에 도움을 줄 수 있습니다.
- 가격·지역·권한은 벡터가 아니라 구조화 필터로 제한합니다.
평가와 한계
벡터 검색 결과는 임베딩 모델과 색인 구조의 영향을 받습니다. 근사 최근접 이웃 알고리즘은 속도를 위해 완전 탐색과 다른 결과를 낼 수 있습니다. 또한 높은 유사도는 문서가 사실이거나 최신이라는 뜻이 아닙니다.
평가에서는 상위 k개 중 정답 문서가 포함된 비율인 recall@k와, 상위 결과가 얼마나 정확한지 보는 precision@k를 구분하세요. 질의 유형별로 표본을 나누고 모델·색인·필터 버전을 기록해야 변경 전후를 비교할 수 있습니다.
자주 묻는 질문
- 벡터 검색은 키워드 검색을 대체하나요?
- 항상 그렇지는 않습니다. 코드·이름의 정확 일치와 의미 유사성이 함께 필요한 서비스는 하이브리드 검색이 더 적합할 수 있습니다.
- 유사도 점수가 높으면 정답인가요?
- 아닙니다. 벡터 공간에서 가깝다는 뜻일 뿐입니다. 최신성, 권한, 사실성, 업무 규칙은 별도 필터와 평가로 확인해야 합니다.
출처와 확인 범위
- Vector search in Azure AI Search · Microsoft Learn · 확인 2026-10-27
벡터 검색은 콘텐츠의 수치 표현을 색인·질의하고 질의 벡터와 가까운 벡터를 찾는 정보 검색 방식입니다.
확인 범위: Azure AI Search 제품의 지원 방식과 가격 조건이 포함됩니다.
- Retrieval augmented generation (RAG) and indexes · Microsoft Learn · 확인 2026-10-27
RAG는 검색으로 찾은 내용을 모델 입력에 포함해 답변을 근거 데이터에 연결하는 패턴이며, 검색 품질·토큰·지연·접근통제의 영향을 받습니다.
확인 범위: Microsoft Foundry와 Azure AI Search 중심의 구현 설명입니다.