ベクトルデータベース: AI アプリケーションのストレージレイヤー
ベクトルデータベースは高次元の埋め込み表現を保存・検索します。これらは意味的検索、推薦エンジン、検索拡張生成を動かす数値表現です。リレーショナルデータベースやドキュメントデータベースとは異なり、「このクエリに最も似た 10 個のアイテムを検索する」といった質問に対して、スケーラブルで低レイテンシーで応答するように構築されています。本トラックは本番環境で支配的な 3 つのツール、Pinecone、Weaviate、pgvector をカバーします。それぞれ、マネージドクラウドサービス、自己ホスト型のオープンソースエンジン、PostgreSQL 拡張機能です。
学べること
ベクトルデータベースの内部動作から始まり、実データセット向けの埋め込み生成と管理へと進みます。そこから各プラットフォームで詳しく構築を進めます。Pinecone ではインデックスとクエリ、Weaviate ではスキーマと GraphQL インターフェースによるデータモデリング、pgvector では既存の Postgres スタックへのベクトル検索の追加です。本トラックは特に検索拡張生成 (RAG) に重点を置いており、LLM の応答を自分のデータで根拠づけるパイプラインを構築し、その後、マルチステージ RAG 戦略、pgvector インデックスチューニングとクエリ最適化、Weaviate のハイブリッド検索とモジュールシステムへと進みます。最後のコースでは、本番環境でのベクトルデータベースアプリケーションのデプロイと運用、そして新しいハイブリッドアプローチの評価を扱います。
学習パス
12 のコースが A1 から C2 をカバーしています。本トラックはベクトルデータベースの基礎で始まり、2 つの並行する A2 入門コース (Pinecone 向けと pgvector 向け) を経て、B1 で埋め込み生成と Weaviate のコア概念に収束します。B2 レイヤーではPinecone の高度な操作と最初の RAG コースを追加します。C1 ブロックは最長セクションです。Weaviate の高度な機能、pgvector パフォーマンスの最適化、高度な RAG 戦略、ベクトルデータベースアプリケーションの本番化です。本トラックは C2 の将来のトレンド & ハイブリッドアプローチで終了します。ベクトル、キーワード、グラフ検索が融合する状況を調査します。
仕組み
各コースは短いハンズオンレッスンに分かれており、内蔵コードエディタでリアルタイムフィードバック付きで完了させます。行き詰まったときは AI チューターがいつでも利用可能なので、アプリを離れることなく、自分のペースでインデックス設定、埋め込みパイプライン、クエリ最適化に取り組むことができます。