벡터 데이터베이스: AI 애플리케이션을 위한 저장소 계층
벡터 데이터베이스는 고차원 임베딩(semantic search, 추천 엔진, retrieval-augmented generation을 구동하는 수치 표현)을 저장하고 검색합니다. 관계형 또는 문서 데이터베이스와 달리, "이 쿼리와 가장 유사한 항목 10개를 찾기"와 같은 질문에 대규모로 낮은 지연 시간으로 답할 수 있도록 구축되었습니다. 이 트랙은 프로덕션 환경을 지배하는 세 가지 도구를 다룹니다: 관리형 클라우드 서비스인 Pinecone, 자체 호스팅 오픈소스 엔진인 Weaviate, PostgreSQL 확장인 pgvector입니다.
학습 내용
벡터 데이터베이스가 내부적으로 어떻게 작동하는지 배운 후, 실제 데이터셋을 위한 임베딩을 생성하고 관리하는 방법으로 나아갑니다. 그 후 각 플랫폼으로 심화 학습을 진행합니다: Pinecone을 사용한 인덱싱과 쿼리, Weaviate의 schema와 GraphQL 인터페이스를 사용한 데이터 모델링, 기존 Postgres 스택에 pgvector를 추가하여 벡터 검색 구현. 이 트랙은 특히 Retrieval-Augmented Generation (RAG) — 자신의 데이터에 기반한 LLM 응답을 구축하는 파이프라인 — 에 중점을 두고, 고급 영역으로 나아갑니다: 다단계 RAG 전략, pgvector 인덱스 튜닝 및 쿼리 최적화, Weaviate의 hybrid search와 module system. 마지막 과정은 프로덕션 환경에서 벡터 데이터베이스 애플리케이션 배포 및 운영, 그리고 새로운 hybrid 접근 방식 평가를 다룹니다.
학습 경로
12개의 과정이 A1부터 C2까지 걸쳐 있습니다. 이 트랙은 Fundamentals of Vector Databases로 시작하고 두 개의 평행한 A2 입문 과정 — 하나는 Pinecone, 하나는 pgvector — 을 거친 후 B1에서 임베딩 생성과 Weaviate의 핵심 개념으로 수렴됩니다. B2 계층에서는 Advanced Pinecone Operations과 첫 번째 RAG 과정을 추가합니다. C1 블록이 가장 긴 섹션입니다: Advanced Weaviate Capabilities, Optimizing pgvector Performance, Advanced RAG Strategies, Productionizing Vector Database Applications. 이 트랙은 C2에서 Future Trends & Hybrid Approaches로 마무리되며, 벡터, 키워드, 그래프 검색의 수렴하는 경관을 살펴봅니다.
작동 방식
각 과정은 실시간 피드백이 제공되는 내장 코드 에디터에서 완료하는 짧고 실습 중심의 레슨으로 구성되어 있습니다. 막히는 부분이 있을 때마다 AI 튜터를 활용할 수 있으므로, 앱을 떠나지 않고도 자신의 속도에 맞춰 인덱스 구성, 임베딩 파이프라인, 쿼리 최적화를 진행할 수 있습니다.