지식 · AI
임베딩 · 벡터 DB
Embedding / Vector Database
한 줄 정의
글의 '의미'를 숫자 벡터로 바꾼 것이 임베딩, 그 벡터를 저장해 의미가 비슷한 것을 빠르게 찾는 저장소가 벡터 DB. RAG의 핵심 부품.
임베딩은 단어·문장을 '의미가 담긴 숫자 배열(벡터)'로 바꾸는 기술입니다. 의미가 비슷하면 벡터도 가까워져서, '연차 규정'과 '휴가 며칠'처럼 표현이 달라도 가까운 것으로 인식합니다.
이 벡터들을 모아 두고 '질문과 의미가 가장 가까운 조각'을 순식간에 찾아 주는 것이 벡터 데이터베이스입니다. RAG는 바로 이 구조로 관련 문서를 검색해 AI에게 근거로 넘깁니다. 즉, 임베딩과 벡터 DB는 '의미 기반 검색'의 뼈대입니다.
실무에서 왜 중요한가
키워드가 정확히 일치하지 않아도 '의미로' 찾아주기 때문에, 사내 문서 검색·RAG의 품질을 좌우합니다.
유래와 출처
단어를 의미가 담긴 벡터로 바꾸는 임베딩은 2013년 구글이 공개한 word2vec으로 대중화됐고, 이후 문장 임베딩과 벡터 데이터베이스로 발전해 RAG의 뼈대가 됐습니다.
사례로 이해하기
예를 들어, 사내 규정 검색에 임베딩·벡터 DB를 쓴다고 해봅시다.
- 변환 — 규정 문서를 문단 단위로 임베딩(벡터)으로 바꿉니다.
- 저장 — 그 벡터들을 벡터 DB에 넣어 둡니다.
- 질문 — 직원이 '반차도 쓸 수 있나요?'라고 묻습니다.
- 검색 — 질문을 벡터로 바꿔 의미가 가장 가까운 규정 조각을 찾습니다.
- 활용 — 그 조각을 AI에게 근거로 넘겨(RAG) 정확한 답을 만들게 합니다.
관련 용어
이 용어와 연결된 교육
📚에이전트 AI 실무 입문나눔경영컨설팅 기업교육 · 대면/온라인과정 보기 →이 주제로 사내 교육이 필요하신가요?
담당자 맞춤 커리큘럼·견적을 바로 받아보세요.
자주 묻는 질문
키워드는 글자 일치를, 임베딩은 '의미 유사도'를 봅니다. 표현이 달라도 뜻이 같으면 찾아냅니다.
문서가 많아 의미 검색을 빠르게 하려면 필요합니다. 소량이면 간단한 검색으로도 됩니다.