Wprowadzenie
Vector Search to technologia wyszukiwania semantycznego, w której dane są reprezentowane jako wektory (embeddingi), a wyszukiwanie polega na znalezieniu najbardziej podobnych wektorów do zapytania. Ponieważ dokładne wyszukiwanie (Exact Nearest Neighbors) jest zbyt wolne w wysokich wymiarach, stosuje się Approximate Nearest Neighbors (ANN) .
Dlaczego Approximate?
W przestrzeniach o wysokiej wymiarowości (np. 768–4096 wymiarów) obliczenie dokładnej odległości do milionów lub miliardów wektorów jest obliczeniowo niewykonalne. ANN poświęca niewielką dokładność na rzecz ogromnego wzrostu prędkości.
Popularne algorytmy ANN
- HNSW (Hierarchical Navigable Small World) – obecnie najpopularniejszy, świetny balans prędkości i dokładności
- IVF (Inverted File Index) – bardzo skalowalny, często łączony z PQ
- PQ (Product Quantization) – kompresja wektorów, duża oszczędność pamięci
- FAISS (Facebook AI Similarity Search) – najpopularniejsza biblioteka
- Annoy (Spotify) – prosty i szybki
- USearch – bardzo szybki, lekki, napisany w C++
- SCANN (Google) – zoptymalizowany pod kątem Google Cloud
Zastosowania Vector Search
- RAG (Retrieval-Augmented Generation) – pobieranie kontekstu dla LLM
- Semantyczne wyszukiwanie dokumentów i wiedzy
- Systemy rekomendacyjne
- Wyszukiwanie obrazów i multimodale (CLIP, BLIP)
- Detekcja duplikatów i near-duplicates
- Personalizacja i matching
Najpopularniejsze bazy wektorowe (2026)
- Pinecone
- Weaviate
- Qdrant
- Milvus / Zilliz
- Chroma
- pgvector (PostgreSQL)
- ElasticSearch + vector search
Trade-offy
- Dokładność vs Prędkość
- Pamięć vs Wydajność
- Skalowalność (miliony vs miliardy wektorów)