Apa itu Vector Database?
Vector Database menyimpan vektor—deretan angka hasil embedding—beserta data pendukung seperti isi dokumen, ID, kategori, atau izin akses. Ketika menerima pertanyaan, sistem mencari vektor yang paling mirip dengan embedding pertanyaan. Kemampuan ini umum dipakai untuk Semantic Search, RAG, rekomendasi, dan pencarian gambar atau dokumen serupa.
Sebuah situs menyimpan ribuan artikel sebagai embedding beserta kategori dan tanggal terbitnya. Saat pengunjung menulis pertanyaan, sistem mencari artikel yang maknanya paling dekat, kemudian hanya menampilkan artikel dari kategori yang dipilih. Model AI dapat memakai hasil itu sebagai konteks untuk menjawab.
Cara kerja sederhana
Dokumen atau data diubah menjadi embedding lalu disimpan sebagai vektor. Saat ada query, query juga diubah menjadi vektor. Database menghitung kemiripan atau jarak antara vektor query dan vektor yang tersimpan, mengurutkan kandidat yang paling dekat, lalu dapat menerapkan filter tambahan seperti kategori, tanggal, atau hak akses pengguna.
Kenapa Anda perlu memahaminya?
Istilah ini membantu pembaca memahami infrastruktur di balik banyak fitur AI berbasis dokumen. Vector Database bukan model yang menulis jawaban; perannya adalah membantu menemukan konteks yang mungkin relevan dengan cepat. Pemilihan data, indeks, filter, dan evaluasi hasil menentukan apakah pencarian benar-benar berguna.
Kesalahpahaman yang umum
Vector Database bukan LLM dan bukan embedding itu sendiri. LLM dapat menyusun jawaban, embedding mengubah data menjadi vektor, sedangkan Vector Database menyimpan serta mencari vektor tersebut. Vector Database juga tidak otomatis “memahami” sumber asli atau memeriksa apakah informasi di dalamnya benar.
Catatan penting sebelum menggunakannya
Pencarian vektor dapat mengembalikan hasil yang terasa mirip tetapi tidak tepat, terutama untuk nama khusus, angka, tanggal, atau istilah yang membutuhkan kecocokan persis. Metadata dan kontrol akses harus diterapkan dengan benar agar hasil tidak salah konteks atau membocorkan dokumen yang tidak boleh diakses.