카카오클라우드 - 클라우드 개발자 교육 14주차 후기

Graph DB

- 데이터와 그 데이터 간의 관계(Relationship)를 거미줄처럼 연결된 그래프 형태로 저장하고 탐색하는 데 특화된 데이터베이스

 

그래프 DB에도 RDB에서 테이블 컬럼과 비슷하게 구성요소가 존재한다.

 

• 노드 (Node): RDBMS의 레코드(행)에 해당하는 데이터의 핵심 엔티티다. (예: User, Movie, Routine)
• 관계 (Relationship): 노드와 노드 사이의 연결 고리입니다. 그래프 DB의 가장 중요한 특징으로, 모든 관계는 방향성과 이름을 가진다. (예: User가 Movie를 [:LIKES] 한다)
• 속성 (Property): 노드나 관계가 가질 수 있는 구체적인 데이터 값(Key-Value)다. 
• 레이블 (Label): 노드의 그룹이나 역할을 정의하는 태그다.

 

 

SQL 대신 Cypher라는 그래프 전용 쿼리 언어를 사용합니다. 아스키 아트(ASCII Art)처럼 텍스트로 노드 ()와 관계 ->를 그림 그리듯 표현하여 가독성이 매우 뛰어납니다.

 

 

• 추천 시스템 (Recommendation Engine): "A 사용자와 비슷한 영화 취향을 가진 B 사용자가 높게 평가한 다른 영화"를 실시간으로 탐색하여 제안하는 데 탁월하다.
• 소셜 네트워크 (Social/Community Network): 사용자 간의 팔로우 관계, 특정 피트니스 루틴이나 게시물에 대한 상호작용 등 다대다(N:M) 관계를 직관적으로 모델링할 수 있다.
• 지식 그래프 및 AI: RAG(검색 증강 생성)나 AI 에이전트가 참고할 수 있도록 복잡한 도메인 지식을 구조화하는 데 많이 쓴다.

벡터 DB 

- 텍스트, 이미지, 오디오 등의 비정형 데이터를 AI가 이해할 수 있는 다차원 숫자 배열인 벡터(Vector)형태로 저장하고, 데이터 간의 유사도를 기반으로 검색하는 데 특화된 데이터베이스.

 

벡터DB란?

AI 모델(예: OpenAI의 임베딩 모델)을 거치면 "사과"라는 단어나 사과 이미지, 혹은 "빨갛고 맛있는 과일"이라는 문장이 수백~수천 차원의 숫자 배열(예: [0.12, -0.45, 0.89, ...])로 변환됩니다. 이렇게 변환된 벡터들은 다차원 공간 상의 한 '좌표'에 배치되는데, 의미가 비슷할수록 좌표상에서 서로 가깝게 위치하게 됩니다. ("강아지"와 "개"는 가깝고, "강아지"와 "자동차"는 멀리 떨어짐)
AI의 '장기 기억 장치' 역할을 수행하기 위해 가장 주목받고 있는 데이터베이스이기도 합니다.

검색어 자체를 벡터로 변환한 뒤, DB 공간 안에서 가장 가까운 거리에 있는 벡터들을 찾습니다. 따라서 정확한 키워드가 없어도 문맥과 의미가 비슷한 데이터("귀여운 멍멍이", "반려견")를 모두 찾아냅니다.

 

거리 측정 방식: 코사인 유사도(Cosine Similarity), 유클리디안 거리(Euclidean Distance) 등의 수학적 공식을 사용하여 벡터 간의 거리를 계산합니다.

 

 

• RAG (검색 증강 생성): LLM이 환각(Hallucination) 현상을 일으키지 않도록, 기업의 내부 문서나 최신 지식을 VectorDB에서 먼저 검색한 뒤 그 결과를 바탕으로 답변하게 할 때 필수적입니다.
• 시맨틱 검색 (Semantic Search): 단순 키워드 매칭을 넘어, 사용자의 의도나 질문의 문맥을 파악하는 고도화된 검색 엔진을 구축할 때 사용합니다.
• 추천 시스템 (Recommendation): 사용자의 과거 행동이나 취향을 벡터화하고, 아이템(상품, 콘텐츠 등) 벡터와 비교하여 가장 유사도가 높은 것을 추천합니다.
• 이미지/오디오 검색: 텍스트가 아닌 이미지 자체를 넣어 비슷한 이미지를 찾거나, 흥얼거리는 소리로 음악을 찾는 서비스에 활용됩니다.

 

 

 

—————————————————————————— 
본 후기는 [카카오엔터프라이즈x스나이퍼팩토리] 카카오클라우드로 배우는 AIaaS 마스터 클래스 3기(B-log) 리뷰로 작성 되었습니다.