--- title: "Vektorové databáze" source: "https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze" wiki: "systems-analysis.info/int" article: "Vektorové_databáze" language: "cs" categories: - "Category:Czech" - "Category:Large language models" - "Category:Machine learning" revision_id: 8411 wiki_created_at: 2026-09-07T01:17:02Z wiki_modified_at: 2026-09-07T01:17:02Z downloaded_at: 2026-09-07T23:25:14Z --- # Vektorové databáze **Vektorové databáze** — to jsou specializované systémy pro ukládání a vyhledávání, optimalizované pro práci s vysokodimenzionálními číselnými reprezentacemi (vektory) nestrukturovaných dat^{[\[1\]](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_note-cloudraft_whatis-1)}. V kontextu velkých jazykových modelů (LLM) zajišťují efektivní sémantické vyhledávání a jsou klíčovou součástí moderních systémů umělé inteligence, zejména v architektuře RAG. Na rozdíl od tradičních relačních databází zaměřených na přesné shody se vektorové databáze specializují na přibližné vyhledávání nejbližších sousedů (*Approximate Nearest Neighbor, ANN*), které nachází sémanticky blízké objekty ve vysokodimenzionálním prostoru^{[\[2\]](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_note-qdrant_whatis-2)}. ## Základy vektorových databází ### Vektorové reprezentace (Embeddings) **Vektorové reprezentace** (*embeddings*) — to jsou číselné reprezentace textu, obrázků, zvuku a dalších typů dat ve formě vektorů. Klíčový princip spočívá v tom, že sémanticky blízké objekty (například slova s podobným významem) jsou v tomto vektorovém prostoru umístěny blízko sebe^{[\[3\]](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_note-lakefs_embeddings-3)}. Moderní textové embedding modely jsou vytvářeny pomocí modelů založených na architektuře transformer, které využívají mechanismy pozornosti (*self-attention*) k pochopení kontextu. Dimenzionalita těchto reprezentací se pohybuje od 256 do 1024 dimenzí a více u většiny moderních modelů^{[\[4\]](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_note-zilliz_embeddings-4)}. ### Metriky podobnosti Pro měření „vzdálenosti" nebo podobnosti mezi vektory se používají různé metriky: - **Kosinová podobnost** (*cosine similarity*): Měří kosinus úhlu mezi dvěma vektory. Zvláště účinná pro textové embedding modely, protože zohledňuje směr vektorů, nikoli jejich velikost^{[\[5\]](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_note-sahoo2025-5)}. - **Euklidovská vzdálenost (L2)**: Standardní přímočará vzdálenost mezi dvěma body v prostoru. - **Skalární součin** (*dot product*): Podobné kosinové podobnosti, avšak není normalizováno^{[\[6\]](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_note-elastic_metrics-6)}. ## Algoritmy indexování Pro rychlé vyhledávání ve vysokodimenzionálních prostorech se používají specializované ANN algoritmy. ### HNSW (Hierarchical Navigable Small World) Algoritmus **HNSW** využívá koncept „malého světa" a vícevrstvou hierarchickou strukturu grafů. Horní vrstvy obsahují dlouhé spojení pro rychlý pohyb v prostoru (hrubé vyhledávání), zatímco dolní vrstvy obsahují krátká spojení pro přesné nalezení sousedů. HNSW vykazuje logaritmickou časovou složitost *O(log N)* a je preferovanou volbou pro většinu moderních vektorových databází^{[\[7\]](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_note-hnsw_paper-7)}. ### IVF (Inverted File) Algoritmus **IVF** rozděluje prostor do clusterů pomocí shlukování k-means. Vyhledávání probíhá v omezeném počtu nejbližších clusterů, což výrazně urychluje celý proces. Počet clusterů se obvykle volí jako √N, kde N je celkový počet vektorů v datasetu^{[\[8\]](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_note-faiss_ivf-8)}. ### LSH (Locality-Sensitive Hashing) Algoritmus **LSH** využívá rodinu hašovacích funkcí, které s vysokou pravděpodobností generují stejné haše pro blízké vektory. To umožňuje rychlé seskupování podobných objektů^{[\[9\]](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_note-datar2004-9)}. ## Oblíbené vektorové databáze - **Pinecone**: Plně spravovaná cloudová vektorová databáze se *serverless* architekturou. - **Qdrant**: Vysoce výkonná databáze napsaná v jazyce Rust s podporou pokročilého filtrování a ACID-kompatibilních transakcí. - **Milvus**: Škálovatelná open-source databáze s cloud-native architekturou. Podporuje mnoho typů indexů včetně GPU-akcelerovaných variant. - **Weaviate**: Open-source vektorová databáze s GraphQL API a podporou znalostních grafů. - **Chroma**: Odlehčená open-source databáze optimalizovaná pro rychlé prototypování a experimenty. - **FAISS**: Knihovna od společnosti Meta, která není plnohodnotnou databází, ale poskytuje vysoce výkonné algoritmy indexování pro statická data. ## Využití s LLM: architektura RAG **Retrieval-Augmented Generation (RAG)** — to je architektura, ve které je LLM doplněn externími znalostmi prostřednictvím vektorového vyhledávání. RAG systémy se skládají ze dvou hlavních komponent^{[\[10\]](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_note-rag_lewis2020-10)}: 1. **Retriever (Vyhledávací komponenta)**: Komponenta vyhledávání, která využívá vektorovou databázi k nalezení relevantních informací na základě dotazu uživatele. 2. **Generator (Generátor)**: LLM, který využívá původní dotaz a informace nalezené retrieverem ke generování odpovědi. Pro efektivní fungování RAG se používá **hybridní vyhledávání** — kombinace sémantického (vektorového) a lexikálního (klíčového, například BM25) vyhledávání, což zajišťuje přesnější a relevantnější výsledky. ## Trendy a budoucí vývoj Trh vektorových databází vykazuje explozivní růst, který je předpovídán z 1,98 mld. USD v roce 2023 na 7,13 mld. USD do roku 2029 (CAGR 23,7 %)^{[\[11\]](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_note-tbrc_market-11)}. Klíčové směry rozvoje zahrnují: - **Multimodální systémy:** Podpora simultánního vyhledávání podle textu, obrázků, zvuku a videa v jednotném vektorovém prostoru. - **Automatická optimalizace:** Využití ML pro automatický výběr optimálních indexů a parametrů. - **Edge computing:** Vývoj kompaktních řešení pro mobilní zařízení a zařízení IoT. - **Kvantové výpočty**: Potenciální exponenciální urychlení vyhledávání podobnosti. - **Neuromorfní čipy:** Napodobení funkce mozku pro dosažení velmi nízké spotřeby energie při provádění vyhledávání. ## Odkazy - Oficiální web Pinecone - Oficiální web Qdrant - Oficiální web Milvus - Oficiální web Weaviate ## Literatura - Malkov, Y.A.; Yashunin, D.A. (2016). *Efficient and Robust Approximate Nearest Neighbor Search Using Hierarchical Navigable Small World Graphs*. arXiv:1603.09320. - Johnson, J.; Douze, M.; Jégou, H. (2017). *Billion-Scale Similarity Search with GPUs*. arXiv:1702.08734. - Datar, M. et al. (2004). *Locality-Sensitive Hashing Scheme Based on p-Stable Distributions*. SoCG 2004 paper. - Guo, N. et al. (2020). *ScaNN: Efficient Vector Similarity Search at Scale*. In: *Proc. ACM SIGKDD 2020*, pp. 1571-1580. DOI:10.1145/3394486.3403339. - Lewis, P. et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. arXiv:2005.11401. - Wang, X. et al. (2021). *Milvus: A Purpose-Built Vector Data Management System*. In: *SIGMOD 2021*. DOI:10.1145/3448016.3457550. - Lee, J. et al. (2022). *OOD-DiskANN: Efficient and Scalable Graph ANNS for Out-of-Distribution Queries*. arXiv:2211.12850. - Fan, D. et al. (2023). *Survey of Vector Database Management Systems*. arXiv:2310.14021. - Ren, R. et al. (2024). *Survey of Filtered Approximate Nearest Neighbor Search over Vector-Scalar Hybrid Data*. arXiv:2505.06501. - Zhao, H. et al. (2024). *Starling: An I/O-Efficient Disk-Resident Graph Index Framework for High-Dimensional Vector Similarity Search*. arXiv:2401.02116. - Liu, Y. et al. (2025). *Memory-Efficient Similarity Search at Billion-Scale: A Taxonomy and Analysis of Vector Compression Techniques*. ResearchGate preprint. ## Poznámky 1. [↑](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_ref-cloudraft_whatis_1-0) «What Is a Vector Database?». *CloudRaft*. [1] 2. [↑](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_ref-qdrant_whatis_2-0) «What is a Vector Database?». *Qdrant Blog*. [2] 3. [↑](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_ref-lakefs_embeddings_3-0) «What Are Vector Embeddings?». *LakeFS*. [3] 4. [↑](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_ref-zilliz_embeddings_4-0) «What are embeddings?». *Zilliz*. [4] 5. [↑](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_ref-sahoo2025_5-0) Sahoo, A., Maiti, J. «A Comparative Study of Similarity Metrics for Textual Embeddings». *arXiv:2501.01234*. [5] 6. [↑](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_ref-elastic_metrics_6-0) «Vector search and dense vector fields». *Elastic*. [6] 7. [↑](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_ref-hnsw_paper_7-0) Malkov, Y. A., Yashunin, D. A. «Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs». *arXiv:1603.09320*. [7] 8. [↑](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_ref-faiss_ivf_8-0) «The index IVF». *FAISS Wiki*. [8] 9. [↑](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_ref-datar2004_9-0) Datar, M., et al. «Locality-Sensitive Hashing Scheme Based on p-Stable Distributions». *Symposium on Computational Geometry*. [9] 10. [↑](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_ref-rag_lewis2020_10-0) Lewis, P., et al. «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks». *arXiv:2005.11401*. [10] 11. [↑](https://systems-analysis.info/int/Vektorov%C3%A9_datab%C3%A1ze#cite_ref-tbrc_market_11-0) «Vector Database Global Market Report 2024». *The Business Research Company*. [11]