MongoDB vs ClickHouse: GenAI 애플리케이션에 적합한 데이터베이스 선택하기
AI 기반 애플리케이션이 발전함에 따라 이러한 발전을 지원하는 벡터 검색 기능의 중요성은 아무리 강조해도 지나치지 않습니다. 이 블로그 게시물에서는 벡터 검색 기능을 갖춘 두 가지 주요 데이터베이스인 MongoDB와 ClickHouse에 대해 논의합니다. 각각은 추천 엔진, 이미지 검색, 의미 검색과 같은 애플리케이션에 필수적인 기능인 벡터 검색을 처리하기 위한 강력한 기능을 제공합니다. 우리의 목표는 개발자와 엔지니어에게 명확한 비교를 제공하여, 특정 요구 사항에 가장 잘 부합하는 데이터베이스를 결정하는 데 도움을 주는 것입니다.
벡터 데이터베이스란 무엇인가요?
MongoDB와 ClickHosue를 비교하기 전에 먼저 벡터 데이터베이스의 개념을 살펴보겠습니다.
벡터 데이터베이스는 고차원 벡터를 저장하고 쿼리하도록 특별히 설계되었으며, 이는 비정형 데이터의 수치 표현입니다. 이러한 벡터는 텍스트의 의미적 의미, 이미지의 시각적 특징 또는 제품 속성과 같은 복잡한 정보를 인코딩합니다. 효율적인 유사도 검색을 가능하게 함으로써, 벡터 데이터베이스는 AI 애플리케이션에서 중추적인 역할을 하며 더 고급 데이터 분석 및 검색을 가능하게 합니다.
벡터 데이터베이스의 일반적인 사용 사례에는 전자상거래 제품 추천, 콘텐츠 발견 플랫폼, 사이버 보안의 이상 탐지, 의료 이미지 분석, 자연어 처리(NLP) 작업이 포함됩니다. 또한 대규모 언어 모델 (LLM)의 성능을 향상시키는 기법인 검색 증강 생성(RAG)에서도 중요한 역할을 하며, 외부 지식을 제공하여 AI 환각과 같은 문제를 줄입니다.
시장에는 다음을 포함하여 다양한 유형의 벡터 데이터베이스가 있습니다:
- Milvus, Zilliz Cloud (완전 관리형 Milvus)와 같은 목적 특화 벡터 데이터베이스
- Faiss 및 Annoy와 같은 벡터 검색 라이브러리.
- Chroma 및 Milvus Lite와 같은 경량 벡터 데이터베이스.
- 소규모 벡터 검색을 수행할 수 있는 벡터 검색 애드온이 있는 전통적인 데이터베이스.
MongoDB는 JSON과 유사한 문서에 데이터를 저장하는 NoSQL 데이터베이스이고 ClickHouse는 오픈 소스 컬럼 지향 데이터베이스입니다. 둘 다 애드온으로 벡터 검색 기능을 갖추고 있습니다. 이 게시물에서는 이들의 벡터 검색 기능을 비교합니다.
MongoDB: 기본 사항
MongoDB Atlas Vector Search는 MongoDB Atlas에 저장된 데이터에 대해 벡터 유사도 검색을 수행할 수 있게 해주는 기능입니다. 문서 데이터와 함께 고차원 벡터 임베딩을 인덱싱하고 쿼리할 수 있으며 데이터베이스 내에서 바로 AI 및 머신 러닝을 수행할 수 있습니다.
핵심적으로 Atlas Vector Search는 벡터 데이터를 인덱싱하고 검색하기 위해 Hierarchical Navigable Small World(HNSW) 알고리즘을 사용합니다. 이는 벡터 공간의 다중 레벨 그래프를 생성하므로 Approximate Nearest Neighbor(ANN) 검색을 수행할 수 있습니다. 대규모 벡터 검색을 위한 속도와 정확도의 균형입니다. Atlas Vector Search는 또한 최대 10,000개 문서의 쿼리에 대해 성능보다 정확성을 우선시하는 Exact Nearest Neighbors(ENN) 검색도 지원합니다.
Atlas Vector Search의 큰 장점 중 하나는 MongoDB의 유연한 문서 모델과의 통합입니다. 벡터 임베딩을 다른 문서 데이터와 함께 저장할 수 있어 더 맥락적이고 정밀하게 검색할 수 있습니다. 최대 4096차원까지 임베딩할 수 있는 모든 종류의 데이터를 쿼리할 수 있습니다. Atlas Vector Search를 사용하면 벡터 유사도 검색과 기존 문서 필터링을 결합할 수 있습니다. 예를 들어 제품에 대한 의미 검색은 카테고리, 가격대 또는 재고 여부로 필터링할 수 있습니다.
Atlas Vector Search는 또한 벡터 검색과 전문 검색을 결합하여 더 세분화된 결과를 제공하는 하이브리드 검색을 지원합니다. 이는 키워드 기반 검색에 중점을 둔 Atlas Search와는 다릅니다. 이 플랫폼은 인기 있는 AI 서비스 및 도구와 통합되므로 OpenAI, VoyageAI 및 Hugging Face에 나열된 다른 많은 제공업체의 임베딩 모델과 함께 사용할 수 있습니다. 또한 Large Language Models (LLMs)를 사용하는 애플리케이션을 구축하기 위한 LangChain 및 LlamaIndex 같은 오픈 소스 프레임워크도 지원합니다.
확장성과 성능을 보장하기 위해 MongoDB Atlas는 Atlas Search 및 Vector Search 워크로드를 위한 전용 인프라를 제공하는 Search Nodes를 제공합니다. 이를 통해 최적화된 컴퓨팅 리소스와 검색 요구 사항의 독립적인 확장을 확보하여 규모가 커져도 더 나은 성능을 얻을 수 있습니다.
MongoDB 생태계 내에서 이러한 기능을 갖추고 있기 때문에 Atlas Vector Search는 AI 기반 애플리케이션, 추천 시스템 또는 고급 검색 기능을 구축하는 개발자를 위한 완전한 솔루션입니다. 별도의 벡터 데이터베이스가 필요 없으며, MongoDB의 확장성과 풍부한 기능을 벡터 검색과 함께 사용할 수 있습니다.
ClickHouse: 기본 사항
ClickHouse는 완전한 SQL 지원과 빠른 쿼리 처리를 갖춘 실시간 분석용 오픈 소스 OLAP 데이터베이스입니다. 완전히 병렬화된 쿼리 파이프라인 덕분에 분석 쿼리에 적합하며 벡터 검색을 빠르게 수행할 수 있습니다. 높은 압축률(코덱을 통해 사용자 지정 가능)을 제공하므로 대규모 데이터셋을 저장하고 쿼리할 수 있습니다. 주요 장점 중 하나는 메모리에 종속되지 않고도 멀티 TB 데이터셋을 처리할 수 있어 대규모 벡터 데이터를 가진 사용자에게 훌륭한 도구라는 점입니다. 또한 메타데이터에 대한 필터링 및 집계도 지원하므로 벡터와 해당 메타데이터를 쿼리할 수 있습니다.
ClickHouse는 SQL을 통해 벡터 검색 기능을 제공하며, 벡터 거리 연산은 다른 SQL 함수와 마찬가지입니다. 따라서 기존 필터링 및 집계와 결합할 수 있습니다. 메타데이터나 기타 정보와 함께 벡터 데이터를 쿼리해야 하는 사용 사례에 적합합니다. 더 빠른(하지만 근사적인) 매칭을 위한 실험적 Approximate Nearest Neighbour (ANN) 인덱스도 제공합니다. 또한 속도와 효율성을 위해 병렬 처리를 사용하여 행을 선형 스캔하는 방식의 정확한 매칭도 지원합니다.
ClickHouse는 벡터 매칭을 메타데이터 필터링 또는 집계와 결합해야 할 때 벡터 검색에 훌륭합니다. 특히 여러 CPU 코어에 걸쳐 병렬로 처리해야 하는 매우 큰 벡터 데이터셋에 적합합니다. ClickHouse는 SQL 지원이 필요하고 벡터 데이터셋이 메모리 전용 인덱스에 들어가기에는 너무 큰 경우에도 좋습니다. 또한 이미 ClickHouse에 관련 데이터가 있거나 수백만 개의 벡터를 관리하기 위해 다른 도구를 배우고 싶지 않다면 ClickHouse가 시간과 리소스를 절약해 줄 수 있습니다. 빠른 병렬화된 정확한 매칭과 대규모 데이터셋 처리가 ClickHouse의 강점이므로, 고급 검색 사용자에게 적합합니다.
ClickHouse는 벡터 검색을 위한 범용 플랫폼으로, 특히 병렬 처리가 필요한 대규모 데이터셋과 벡터 검색을 SQL 기반 필터링 및 집계와 결합하는 경우에 적합합니다. 소규모 메모리 종속 데이터셋이나 높은 QPS 시나리오에서는 전문 벡터 데이터베이스만큼 좋지는 않지만, 메타데이터를 포함한 복잡한 쿼리를 처리할 수 있으므로 SQL을 알고 빠른 벡터 검색이 필요한 개발자에게 훌륭합니다.
주요 차이점
MongoDB Atlas Vector Search와 ClickHouse는 벡터 검색에 대해 서로 다른 접근 방식을 가지고 있으며, 각각 고유한 강점을 지니고 있습니다. 어떤 것이 적합한지 결정하는 데 도움이 되도록 비교해 보겠습니다.
검색 방법론
MongoDB Atlas Vector Search는 벡터 데이터의 인덱싱 및 검색을 위해 Hierarchical Navigable Small World (HNSW) 알고리즘을 사용합니다. Approximate Nearest Neighbor (ANN) 검색을 위해 벡터 공간의 다중 레벨 그래프를 생성합니다. 대규모 벡터 검색에서 속도와 정확성의 균형을 맞춥니다. Atlas Vector Search는 최대 10,000개 문서의 쿼리에 대해 Exact Nearest Neighbors (ENN) 검색도 지원하며, 정확성보다 성능을 우선합니다.
반면 ClickHouse는 주로 SQL 기반 벡터 거리 연산을 사용합니다. 병렬 처리를 통해 행에 대한 선형 스캔으로 정확한 매칭을 지원합니다. ClickHouse는 더 빠른 ANN 검색을 위한 실험적 벡터 인덱스도 제공합니다.
데이터 처리
MongoDB는 유연한 문서 기반 데이터를 처리하는 데 뛰어납니다. 벡터 임베딩을 다른 문서 데이터와 함께 저장할 수 있으므로, 더 맥락적이고 정밀한 검색을 수행할 수 있습니다. 이러한 유연성을 통해 벡터 유사도 검색과 문서 필터링을 결합할 수 있습니다.
ClickHouse는 구조화된 데이터에 대한 분석 쿼리를 위해 설계되었습니다. 벡터 거리 연산이 다른 SQL 함수처럼 처리되는 SQL을 통해 벡터 검색을 지원합니다. 따라서 벡터 쿼리를 필터링 및 집계와 쉽게 결합할 수 있습니다.
확장성과 성능
MongoDB Atlas에는 Atlas Search 및 Vector Search 워크로드를 위한 전용 인프라를 제공하는 Search Nodes가 있습니다. 이를 통해 최적화된 컴퓨팅 리소스와 검색 요구 사항의 독립적인 확장이 가능해져 대규모 환경에서 더 나은 성능을 얻을 수 있습니다.
ClickHouse는 메모리에 제약받지 않고 멀티 TB 데이터셋을 처리하는 데 뛰어납니다. 완전히 병렬화된 쿼리 파이프라인을 갖추고 있어 여러 CPU 코어에 걸쳐 처리해야 하는 대규모 벡터 데이터셋에 효율적입니다.
유연성과 사용자 지정
MongoDB의 유연한 문서 모델을 통해 최대 4096차원의 벡터 임베딩을 포함한 다양한 유형의 데이터를 저장하고 쿼리할 수 있습니다. 벡터 유사도 검색을 다른 문서 필터와 쉽게 결합할 수 있습니다.
ClickHouse는 벡터 연산을 표준 SQL 쿼리와 결합할 수 있는 SQL 인터페이스를 통해 유연성을 제공합니다. 또한 코덱을 통한 사용자 지정 가능한 압축 옵션이 있어 대규모 데이터셋을 효율적으로 저장할 수 있습니다.
통합 및 생태계
MongoDB Atlas Vector Search는 인기 있는 AI 서비스 및 도구와 통합됩니다. OpenAI 및 VoyageAI의 임베딩 모델을 지원하며, Large Language Models (LLMs)를 활용한 애플리케이션 구축을 위해 LangChain 및 LlamaIndex와 같은 오픈 소스 프레임워크와 함께 작동합니다.
ClickHouse는 범용 분석 데이터베이스이므로 특정 AI 도구와의 통합에는 추가 작업이 필요할 수 있습니다. 하지만 SQL 인터페이스는 많은 개발자와 데이터 분석가에게 익숙합니다.
사용 편의성
MongoDB Atlas는 설정과 유지 관리를 단순화할 수 있는 관리형 서비스입니다. 더 넓은 MongoDB 생태계와의 통합은 이미 MongoDB에 익숙한 팀에게 더 쉽게 만들어 줍니다.
ClickHouse는 OLAP 데이터베이스나 SQL에 익숙하지 않은 사람들에게는 학습 곡선이 더 가파릅니다. 하지만 SQL에 능숙한 개발자에게는 익숙한 쿼리 문법을 통해 벡터 검색에 접근할 수 있습니다.
비용 고려 사항
MongoDB Atlas는 완전 관리형 서비스로, 운영 비용은 더 높을 수 있지만 유지 관리 부담은 더 낮을 수 있습니다.
ClickHouse는 오픈 소스이므로 초기 비용은 더 낮지만 배포와 관리를 위해 더 많은 내부 전문 지식이 필요할 수 있습니다.
보안 기능
MongoDB Atlas와 ClickHouse 모두 강력한 보안 기능을 갖추고 있습니다. MongoDB Atlas는 종단 간 암호화, 역할 기반 접근 제어 및 네트워크 격리를 제공합니다. ClickHouse는 데이터 암호화, 접근 제어 및 인증 메커니즘을 제공합니다.
각각을 선택해야 하는 경우
MongoDB Atlas Vector Search는 유연한 문서 기반 데이터 구조로 작업하고 벡터 검색을 기존 문서 쿼리와 결합해야 할 때 더 나은 선택입니다. 추천 시스템, 의미 검색 엔진 또는 AI 기반 콘텐츠 분석과 같이 AI 서비스 및 도구와의 원활한 통합이 필요한 애플리케이션에 특히 적합합니다. 이미 MongoDB를 사용 중이거나 일반적인 데이터베이스 작업과 벡터 검색 요구를 모두 처리할 수 있는 관리형 서비스가 필요하다면, MongoDB Atlas Vector Search는 기술 스택을 단순화하고 운영 부담을 줄일 수 있는 단일 솔루션입니다.
ClickHouse는 벡터 검색과 SQL 필터링 및 집계를 결합한 복잡한 쿼리가 필요한 대규모 데이터셋이 있을 때 가장 적합합니다. 특히 빠르고 병렬화된 정확 일치가 필요하고, 메모리 전용 인덱스에는 너무 큰 다중 TB 벡터 데이터셋이 있는 시나리오에 적합한 선택입니다. ClickHouse는 벡터 데이터를 메타데이터나 기타 구조화된 정보와 함께 쿼리해야 하는 데이터 분석 분야의 고급 검색 사용 사례에 매우 적합합니다. 팀이 SQL에 능숙하고 벡터 검색과 기존 OLAP 워크로드를 모두 처리할 수 있는 강력한 오픈 소스 솔루션을 찾고 있다면, ClickHouse가 해답입니다.
요약
MongoDB Atlas Vector Search는 유연성, AI 통합, MongoDB 생태계 내 사용 편의성에 가장 적합한, 문서 데이터베이스와 벡터 검색을 결합한 관리형 서비스입니다. ClickHouse는 대규모 데이터셋 처리, 강력한 SQL 기반 벡터 연산, 고성능 분석 쿼리에 가장 적합합니다. 이 둘 중 선택은 사용 사례, 데이터 유형, 성능 요구 사항에 따라 결정되어야 합니다. 관리형 서비스를 갖춘 유연한 AI 준비 솔루션이 필요하다면 MongoDB Atlas를 선택하고, 벡터 검색과 SQL을 결합한 복잡한 쿼리가 필요한 매우 큰 데이터셋이 있다면 ClickHouse를 선택하세요. 궁극적으로 이는 기술의 강점을 프로젝트의 요구 사항 및 팀의 전문성과 맞추는 문제입니다.
MongoDB와 ClickHouse의 개요를 얻으려면 이 글을 읽어보세요. 하지만 이들을 평가하려면 사용 사례를 기준으로 평가해야 합니다. 이를 도울 수 있는 도구 중 하나가 벡터 데이터베이스 비교를 위한 오픈 소스 벤치마킹 도구인 VectorDBBench입니다. 결국, 자체 데이터셋과 쿼리 패턴을 사용한 철저한 벤치마킹이 분산 데이터베이스 시스템에서 벡터 검색에 대한 이 두 가지 강력하지만 서로 다른 접근 방식 중 하나를 결정하는 핵심이 될 것입니다.
오픈 소스 VectorDBBench를 사용하여 자체적으로 벡터 데이터베이스 평가 및 비교하기
VectorDBBench는 고성능 데이터 저장 및 검색 시스템, 특히 벡터 데이터베이스가 필요한 사용자를 위한 오픈 소스 벤치마킹 도구입니다. 이 도구를 통해 사용자는 자체 데이터셋을 사용하여 Milvus 및 Zilliz Cloud(관리형 Milvus)와 같은 다양한 벡터 데이터베이스 시스템을 테스트하고 비교하며, 자신의 사용 사례에 맞는 시스템을 찾을 수 있습니다. VectorDBBench를 사용하면 사용자는 마케팅 주장이나 소문이 아니라 실제 벡터 데이터베이스 성능을 기반으로 결정을 내릴 수 있습니다.
VectorDBBench는 Python으로 작성되었으며 MIT 오픈 소스 라이선스에 따라 제공되므로 누구나 자유롭게 사용, 수정 및 배포할 수 있습니다. 이 도구는 기능과 성능 개선에 전념하는 개발자 커뮤니티에 의해 활발히 유지 관리되고 있습니다.
GitHub 저장소에서 VectorDBBench를 다운로드하세요. 이를 통해 벤치마크 결과를 재현하거나 자체 데이터셋에서 성능 결과를 얻을 수 있습니다.
VectorDBBench Leaderboard에서 주요 벡터 데이터베이스의 성능을 빠르게 살펴보세요.
벡터 데이터베이스 평가에 대해 자세히 알아보려면 다음 블로그를 읽어보세요.
VectorDB, GenAI, ML에 대한 추가 리소스
계속 읽기
Introducing Zilliz CLI and Agent Skills for Zilliz Cloud
Manage your vector database from your terminal or AI coding agent. Zilliz CLI and Agent Skills work with Claude Code, Cursor, Codex, and Copilot.
Zilliz Cloud Enterprise Vector Search Powers High-Performance AI on AWS
Zilliz Cloud on AWS powers secure, scalable, ultra-fast vector search for enterprise AI apps, with BYOC, sub-10ms latency, and zero-DevOps simplicity.
Vector Databases vs. Hierarchical Databases
Use a vector database for AI-powered similarity search; use a hierarchical database for organizing data in parent-child relationships with efficient top-down access patterns.
The Definitive Guide to Choosing a Vector Database
Overwhelmed by all the options? Learn key features to look for & how to evaluate with your own data. Choose with confidence.