# [[벡터 검색 (Vector Search)]]

## 📌 Brief Summary
**벡터 검색(Vector Search)**은 텍스트, 이미지, 오디오 등 다양한 비정형 데이터를 신경망을 통해 고차원의 숫자 배열인 **벡터 임베딩(Vector Embeddings)**으로 변환하여 정보를 검색하는 기술이다 [1-3]. 단순한 키워드 일치 여부를 따지는 전통적 검색과 달리, 수학적 거리(예: 코사인 유사도, 유클리디안 거리)를 계산하여 사용자의 질의와 **문맥적 의미 및 의미론적 유사성(Semantic Similarity)**이 가장 가까운 결과를 반환한다 [1, 2, 4, 5]. 

## 📖 Core Content
* **작동 원리 및 벡터 임베딩:** 벡터 검색은 인공지능(AI) 모델을 활용하여 콘텐츠를 다차원 벡터 공간의 숫자 집합(임베딩)으로 표현한다 [1, 2, 4, 5]. 사용자가 질의를 입력하면 이 역시 벡터로 변환되며, 벡터 데이터베이스 내에서 질의 벡터와 가장 근접한(Nearest Neighbor) 문서 벡터들을 찾아 관련성 높은 결과를 제공한다 [1, 6, 7].
* **비정형 데이터 처리 및 유연성:** 텍스트뿐만 아니라 이미지, 동영상, 오디오 등 고차원의 비정형 데이터를 처리하는 데 탁월하다 [8, 9]. 동의어, 문맥, 언어의 미묘한 뉘앙스 및 모호한 쿼리도 유연하게 파악하여 의미상 가장 적합한 결과를 도출해 낸다 [2, 10, 11].
* **응용 분야 및 RAG와의 결합:** 전자상거래의 개인화된 상품 추천, 스트리밍 서비스의 콘텐츠 제안, 이미지 검색, 사기 탐지나 품질 관리와 같은 이상 탐지(Anomaly detection) 영역 등에서 폭넓게 사용된다 [12, 13]. 특히, 최근에는 대규모 언어 모델(LLM)에 기업의 내부 데이터나 최신 정보를 제공하여 신뢰할 수 있는 답변을 생성하게 하는 **검색 증강 생성(RAG)** 파이프라인의 핵심 정보 검색 메커니즘으로 활용되고 있다 [14-17].

## ⚖️ Trade-offs & Caveats
* **컴퓨팅 리소스 및 비용 증가:** 고차원 데이터를 다루고 복잡한 유사도 계산을 수행해야 하므로 기존 키워드 검색에 비해 컴퓨팅 리소스 요구량이 높고, 시스템 구현 및 추가 컴퓨팅 성능 확보에 더 많은 비용이 발생한다 [8, 10, 18, 19].
* **단순 쿼리에서의 비효율성:** 제품 SKU 번호 검색처럼 정확한 일치(Exact Match)가 필요한 단순하고 명확한 쿼리에 대해서는 오히려 전통적인 키워드 검색보다 속도가 느리고 비효율적일 수 있다 [8, 10].
* **고차원의 저주(Curse of Dimensionality)와 확장성 문제:** 데이터의 차원이 증가할수록 벡터 거리를 계산하는 비용이 함께 상승하여 검색 성능이 저하될 수 있으며, 급격히 증가하는 방대한 데이터 세트의 경우 메모리 요구량이 늘어나고 검색 시간이 길어지는 문제가 발생할 수 있다 [18].
* **의미적 간극(Semantic Gap)과 벡터 품질 의존성:** 벡터 변환 과정에서 실제 아이템의 속성을 완벽히 담아내지 못하는 의미적 간극이 발생할 수 있으며, 결국 검색 결과의 정확도는 사용된 임베딩 모델의 수준과 원본 데이터의 품질에 전적으로 의존한다 [18].
* **콜드 스타트(Cold Start) 문제:** 새로운 아이템이 데이터 세트에 추가되었을 때, 유사도 계산을 위한 데이터가 부족하거나 명확한 벡터 표현이 확립되지 않아 검색이나 추천의 정확도가 떨어질 수 있다 [18].
* **해석 가능성(Interpretability) 부족:** 알고리즘이 특정 항목들을 왜 유사하다고 판단했는지 벡터(숫자 배열)만으로는 직관적으로 파악하기 어려우며, 이는 의료나 법률 등 AI의 설명 가능성이 중요한 분야에서 한계로 작용할 수 있다 [18].
* **가비지 컬렉션(Garbage Collection)의 어려움:** 정보가 변경되거나 더 이상 유효하지 않을 때, 고차원 벡터 인덱스에서 이 구식 정보들을 찾아 효율적으로 제거하는 과정이 기존 관계형 데이터베이스보다 까다롭다 [18].

---
*Last updated: 2026-05-04*