챕터별 상세
벡터 검색과 거리 지표의 관계
벡터 검색에서 유사도는 두 벡터 사이의 거리에 의해 결정된다. 데이터가 벡터로 변환되면 공간상의 위치가 곧 의미를 형성하며, 근접성은 선택한 거리 지표에 따라 주관적으로 변한다. Qdrant는 Cosine Similarity, Euclidean Distance, Dot Product, Manhattan Distance 등 다양한 지표를 지원한다.
벡터 검색은 텍스트나 이미지를 고차원 숫자의 배열인 벡터로 변환한 뒤, 질문 벡터와 가장 가까운 벡터를 찾아내는 기술이다.
Cosine Similarity: 방향 중심의 유사도 측정
Cosine Similarity는 두 벡터 사이의 각도를 측정하여 유사도를 판별한다. 벡터의 길이(Magnitude)와 상관없이 방향이 일치할수록 1에 가까운 값을 가지며, 각도가 커질수록 점수가 낮아진다. 'Happy'와 'Joyful'처럼 단어의 길이는 다르지만 의미적 방향이 같은 텍스트 데이터를 처리할 때 가장 효과적이다.
코사인 유사도는 벡터의 크기보다는 두 벡터가 가리키는 방향이 얼마나 일치하는지에 집중하는 지표이다.
Euclidean Distance: 절대적 거리 측정
Euclidean Distance는 두 점 사이의 최단 직선 거리를 피타고라스 정리를 이용해 계산한다. 모든 차원의 수치적 차이를 동일하게 반영하므로 절대적인 수치값이 중요한 경우에 적합하다. 이미지 임베딩, 공간 데이터, 센서 데이터 분석에서 주로 사용되지만 스케일에 매우 민감하다는 특징이 있다.
유클리드 거리는 우리가 일상에서 사용하는 '두 지점 사이의 거리' 개념과 동일하다.
Dot Product: 방향과 크기의 결합
Dot Product는 각 차원의 값을 곱한 뒤 모두 합산하여 유사도를 구한다. 벡터의 방향이 일치할 뿐만 아니라 벡터의 크기가 클수록 더 높은 유사도 점수를 부여한다. 추천 시스템에서 특정 항목에 대한 사용자의 선호도 강도를 벡터 크기로 표현할 때 유용하게 활용된다.
내적(Dot Product)은 두 벡터가 같은 방향을 향하면서 동시에 크기가 클 때 가장 높은 값을 반환한다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2025. 12. 05.수집 2026. 02. 21.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
