Definizione
Vector Database
Un Vector Database è un sistema progettato per memorizzare e ricercare rappresentazioni vettoriali dei contenuti, così da trovare elementi semanticamente simili anche quando non condividono le stesse parole.
Come funziona
Documenti, paragrafi o altri contenuti vengono trasformati in embedding e salvati insieme ai relativi riferimenti. Quando arriva una query, anche la query viene trasformata in vettore e confrontata con quelli presenti nell’archivio per recuperare i contenuti più vicini semanticamente.
Esempio pratico
Una domanda come “come posso integrare il bot nel mio sito?” può recuperare un passaggio che parla di “installazione del widget chatbot” anche se le parole non coincidono esattamente, perché la ricerca vettoriale considera la vicinanza semantica.
Quando usarlo
È utile in Knowledge Base ampie, motori di ricerca semantica e pipeline RAG in cui serve recuperare rapidamente i frammenti più pertinenti a una domanda.
Perché è importante
Il database vettoriale rende possibile una ricerca più flessibile rispetto alla sola corrispondenza di keyword e permette di collegare la conoscenza proprietaria a un modello generativo.
In Quantiq
Le funzioni di training e Knowledge Base di Quantiq utilizzano rappresentazioni vettoriali per rendere recuperabili le fonti pertinenti durante le interazioni che richiedono conoscenza specifica.
Differenze e confronto
Il Vector Database conserva e ricerca i vettori; l’Embedding è la rappresentazione numerica del contenuto; il RAG è l’architettura che usa il recupero di quei contenuti per arricchire il contesto del modello.
