MongoDB vs MyScale: 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 MyScale에 대해 논의합니다. 각각은 추천 엔진, 이미지 검색, 시맨틱 검색과 같은 애플리케이션에 필수적인 기능인 벡터 검색을 처리하기 위한 강력한 기능을 제공합니다. 우리의 목표는 개발자와 엔지니어에게 명확한 비교를 제공하여, 어떤 데이터베이스가 특정 요구 사항에 가장 잘 부합하는지 결정하는 데 도움을 주는 것입니다.
벡터 데이터베이스란 무엇인가요?
MongoDB와 MyScale을 비교하기 전에, 먼저 벡터 데이터베이스의 개념을 살펴보겠습니다.
벡터 데이터베이스는 고차원 벡터를 저장하고 쿼리하도록 특별히 설계되었으며, 이는 비정형 데이터의 수치 표현입니다. 이러한 벡터는 텍스트의 의미론적 의미, 이미지의 시각적 특징 또는 제품 속성과 같은 복잡한 정보를 인코딩합니다. 효율적인 유사도 검색을 가능하게 함으로써, 벡터 데이터베이스는 AI 애플리케이션에서 핵심적인 역할을 하며, 더 발전된 데이터 분석 및 검색을 가능하게 합니다.
벡터 데이터베이스의 일반적인 사용 사례에는 전자상거래 제품 추천, 콘텐츠 발견 플랫폼, 사이버 보안의 이상 탐지, 의료 영상 분석, 자연어 처리 (NLP) 작업이 포함됩니다. 또한 Retrieval Augmented Generation(RAG)에서도 중요한 역할을 하는데, 이는 AI 환각과 같은 문제를 줄이기 위해 외부 지식을 제공함으로써 대규모 언어 모델 (LLMs)의 성능을 향상시키는 기법입니다.
시중에는 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 애드온을 갖춘 전통적인 데이터베이스.
MongoDB는 벡터 검색을 애드온으로 제공하는 NoSQL 데이터베이스이며, MyScale은 벡터 검색과 SQL 분석을 결합한 ClickHouse 기반 데이터베이스입니다. 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 AI와 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 생성하여 Approximate Nearest Neighbor (ANN) 검색을 수행할 수 있게 합니다. 이는 대규모 벡터 검색을 위한 속도와 정확도의 균형을 제공합니다. Atlas Vector Search는 또한 최대 10,000개 문서의 쿼리에 대해 성능보다 정확도를 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 시맨틱 검색을 카테고리, 가격 범위 또는 재고 여부로 필터링할 수 있습니다.
Atlas Vector Search는 또한 벡터 검색과 전체 텍스트 검색을 결합하여 더 세분화된 결과를 제공하는 하이브리드 검색을 지원합니다. 이는 키워드 기반 검색에 초점을 맞춘 Atlas Search와는 다릅니다. 이 플랫폼은 인기 있는 AI 서비스 및 도구와 통합되므로 OpenAI, VoyageAI 및 Hugging Face에 나열된 여러 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 확보할 수 있으므로 대규모에서도 더 나은 성능을 얻을 수 있습니다.
MongoDB 생태계에서 이러한 기능을 제공함으로써 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.
MyScale이란 무엇인가? 기본 사항
MyScale은 오픈 소스 ClickHouse 데이터베이스 위에 구축된 클라우드 기반 데이터베이스로, AI 및 머신 러닝 워크로드를 위해 설계되었습니다. 구조화된 데이터와 벡터 데이터, 실시간 분석 및 머신 러닝을 처리할 수 있습니다. MyScale은 시계열, 벡터 검색 및 전체 텍스트 검색에 초점을 맞추고 있어 실시간 처리와 AI 기반 인사이트에 적합합니다. ClickHouse 아키텍처를 사용함으로써 MyScale은 AI를 위한 고성능 및 확장성을 제공합니다.
MyScale의 핵심 기능 중 하나는 벡터 검색, 전체 텍스트 검색 및 기존 SQL 쿼리를 하나의 시스템에 통합하여 AI 기반 쿼리를 단순화하는 네이티브 SQL 지원입니다. 이는 여러 도구의 필요성을 줄이고 AI를 위한 확장성을 높입니다. MyScale은 OLAP 데이터베이스 아키텍처를 사용하여 벡터화된 데이터에 대해 작동함으로써 하나의 플랫폼에서 구조화된 데이터와 벡터화된 데이터 모두의 분석 처리를 지원하고 관리합니다. 개발자는 SQL을 사용하여 MyScale과 상호작용할 수 있으므로 관계형 데이터베이스에 익숙한 모든 프로그래머가 접근할 수 있습니다.
MyScale에는 다양한 사용 사례를 지원하기 위한 여러 벡터 인덱스 유형과 유사도 지표가 있습니다. Euclidean distance (L2), inner product (IP), cosine similarity와 같은 일반적인 거리 지표를 지원합니다. 이 데이터베이스에는 MSTG (Multi-Scale Tree Graph), ScaNN, IVFFLAT, IVFPQ, IVFSQ 및 HNSW와 같은 여러 인덱싱 알고리즘이 있으며, 각각 조정할 수 있는 자체 매개변수 집합을 가지고 있습니다. MyScale의 독자적인 MSTG 벡터 엔진은 NVMe SSD를 사용하여 데이터 밀도를 높이므로 성능과 비용 측면 모두에서 전문 벡터 데이터베이스를 능가합니다.
SQL 데이터베이스, 벡터 데이터베이스 및 전체 텍스트 검색 엔진의 기능을 하나의 시스템에 결합함으로써 MyScale은 인프라 및 유지 관리 비용을 줄입니다. 이러한 통합은 공동 데이터 쿼리와 분석, 그리고 AI 애플리케이션을 위한 단일 데이터 기반을 가능하게 합니다. MyScale에는 LLM 시스템의 전체 관찰 가능성을 위한 MyScale Telemetry도 있어 효율적으로 모니터링하고 디버깅할 수 있습니다. 데이터가 더 복잡해짐에 따라 MyScale은 컴퓨팅 성능과 서로 다른 데이터 유형 간의 통합을 유지하면서 더 새로운 데이터 모달리티와 데이터베이스 규모를 처리할 수 있는 미래 지향적 솔루션입니다.
주요 차이점
벡터 검색 도구와 관련해서 MongoDB Atlas Vector Search와 MyScale은 두 가지 훌륭한 옵션입니다. 프로젝트에 대해 정보에 입각한 결정을 내릴 수 있도록 이들을 비교해 보겠습니다.
검색 방법론
MongoDB Atlas Vector Search는 벡터 데이터를 인덱싱하고 검색하기 위해 Hierarchical Navigable Small World (HNSW) 알고리즘을 사용합니다. 이는 벡터 공간의 다중 레벨 그래프를 생성하고 Approximate Nearest Neighbor (ANN) 검색을 가능하게 합니다. 또한 최대 10,000개 문서에 대해 Exact Nearest Neighbors (ENN) 검색도 지원합니다.
MyScale은 여러 벡터 인덱스 유형과 유사도 메트릭을 제공합니다. Euclidean distance (L2), inner product (IP), cosine similarity 같은 일반적인 거리 메트릭을 지원합니다. MyScale은 MSTG (Multi-Scale Tree Graph), ScaNN, IVFFLAT, IVFPQ, IVFSQ, HNSW 등 여러 인덱싱 알고리즘을 제공합니다. 이를 통해 검색 성능과 정확도를 더 세밀하게 제어할 수 있습니다.
데이터 처리
MongoDB Atlas Vector Search는 MongoDB의 유연한 문서 모델과 함께 작동합니다. 벡터 임베딩을 다른 문서 데이터와 함께 저장하고 더 맥락적이고 정확하게 검색할 수 있습니다. 최대 4096차원까지 임베딩할 수 있는 모든 데이터를 쿼리하고 벡터 유사도 검색을 문서 필터링과 결합할 수 있습니다.
MyScale은 구조화된 데이터와 벡터 데이터를 모두 처리하도록 구축되었습니다. 실시간 분석 및 머신 러닝 워크로드를 위해 설계되었으므로 시계열, 벡터 검색, 전체 텍스트 검색에 적합합니다. OLAP 데이터베이스 아키텍처를 통해 하나의 플랫폼에서 구조화된 데이터와 벡터화된 데이터의 분석 워크로드를 모두 처리할 수 있는 MyScale의 능력은 독특합니다.
확장성 및 성능
MongoDB Atlas에는 Atlas Search 및 Vector Search 워크로드를 위한 전용 인프라를 제공하는 Search Nodes가 있습니다. 이는 최적화된 컴퓨팅 리소스와 검색 요구 사항의 독립적인 확장을 의미하며, 대규모 환경에서 더 나은 성능을 제공합니다.
MyScale은 고성능과 확장성으로 알려진 아키텍처를 가진 ClickHouse를 기반으로 구축되었습니다. 독자적인 MSTG 벡터 엔진은 NVMe SSD를 사용하여 데이터 밀도를 높이고, 성능과 비용 면에서 특화된 벡터 데이터베이스보다 잠재적으로 더 뛰어납니다.
유연성 및 사용자 지정
MongoDB Atlas Vector Search는 하이브리드 검색을 지원하여 벡터 검색과 전체 텍스트 검색을 결합해 더 세분화된 결과를 제공합니다. 또한 벡터 유사도 검색을 문서 필터링과 결합할 수 있어 쿼리 구성의 유연성이 높아집니다.
MyScale은 네이티브 SQL 지원을 제공하므로 개발자는 벡터 검색, 전체 텍스트 검색, 기존 SQL 쿼리를 하나의 시스템에 통합할 수 있습니다. 이 SQL 기반 접근 방식은 관계형 데이터베이스 경험이 있는 개발자에게 더 익숙하고 접근하기 쉽습니다.
통합 및 생태계
MongoDB Atlas Vector Search는 인기 있는 AI 서비스 및 도구와 통합되며, OpenAI 및 VoyageAI의 임베딩 모델을 지원합니다. Large Language Models (LLMs)를 사용하는 애플리케이션 구축을 위해 LangChain 및 LlamaIndex 같은 오픈 소스 프레임워크와 함께 작동합니다.
MyScale의 통합은 문서에 명시적으로 언급되어 있지 않지만, SQL 지원은 많은 SQL 호환 도구 및 프레임워크와 통합될 수 있음을 시사합니다.
사용 편의성
MongoDB Atlas Vector Search는 기존 MongoDB 생태계 위에 구축되므로, 이미 MongoDB에 익숙하다면 학습 곡선이 더 완만할 것입니다.
MyScale의 벡터 데이터 쿼리를 위한 SQL은 SQL 경험이 있는 개발자에게 더 접근하기 쉬울 수 있지만, 다양한 인덱싱 알고리즘과 매개변수는 최상의 성능을 얻기 위해 더 많은 학습과 튜닝을 필요로 할 것입니다.
비용
MongoDB는 확립된 생태계와 풍부한 문서를 갖추고 있으며 개발자들에게 익숙합니다. 이미 MongoDB를 사용하고 있다면 벡터 검색을 추가하는 것은 당연한 선택일 수 있습니다.
MyScale의 통합된 접근 방식은 하나의 시스템에 여러 기능을 포함함으로써 인프라 및 유지 관리 비용을 줄일 수 있습니다. MSTG 벡터 엔진은 특화된 벡터 데이터베이스보다 더 뛰어난 성능과 비용 효율성을 제공한다고 주장합니다.
각각을 선택해야 하는 경우
MongoDB Atlas Vector Search는 데이터베이스 요구 사항에 이미 MongoDB를 사용하고 있고 다른 시스템을 도입하지 않고 벡터 검색을 추가하고자 할 때 더 나은 선택입니다. 추천 시스템이나 고급 제품 검색처럼 벡터 검색을 문서 데이터와 원활하게 통합해야 하는 애플리케이션에 완벽합니다. MongoDB의 솔루션은 벡터 유사도 검색과 문서 필터링을 결합해 더 맥락적인 질문을 할 수 있어야 할 때 훌륭합니다. 확장성과 인기 있는 AI 도구와의 통합을 포함한 MongoDB 생태계를 사용하고자 할 때 MongoDB Atlas Vector Search를 선택하세요.
MyScale은 SQL 데이터베이스, 벡터 검색, 전체 텍스트 검색을 결합한 단일 플랫폼이 필요할 때 더 나은 선택입니다. 벡터 구성 요소가 포함된 AI 기반 분석이나 복잡한 시계열 분석처럼 구조화된 데이터와 벡터 데이터를 모두 실시간으로 처리해야 하는 애플리케이션에 완벽합니다. MyScale의 네이티브 SQL 지원은 익숙한 쿼리 언어로 벡터 검색을 수행하고자 하는 강력한 SQL 역량을 갖춘 팀에 훌륭한 옵션입니다. 벡터 인덱싱 알고리즘의 유연성이 필요하거나, 대규모 환경에서 비용과 성능을 최적화하고 싶거나, 하나의 플랫폼에서 여러 데이터 유형과 검색 양식을 처리할 수 있는 솔루션이 필요할 때 MyScale을 선택하세요.
결론
MongoDB Atlas Vector Search는 기존 MongoDB 배포와 원활하게 통합되고, 강력한 벡터 검색 기능을 갖추고 있으며, 벡터 검색과 문서 필터링을 결합할 수 있습니다. MyScale은 SQL, 벡터, 전체 텍스트 검색을 위한 단일 플랫폼으로, 유연한 인덱싱과 벡터 쿼리를 위한 네이티브 SQL 지원을 제공합니다. 이 둘 중 어떤 것을 선택할지는 기존 인프라, 사용 사례, 팀에 따라 달라집니다. 문서 데이터와의 통합, SQL 기반 쿼리, 다루는 데이터의 유형, 확장성 요구 사항 같은 요소를 고려하세요. 둘 다 강력한 벡터 검색을 제공하지만, 각자의 강점은 서로 다른 시나리오와 개발 환경에 적합합니다.
MongoDB와 MyScale에 대한 개요를 보려면 이 글을 읽어보세요. 하지만 이들을 평가하려면 사용 사례를 기반으로 평가해야 합니다. 이에 도움이 될 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 데 핵심이 될 것입니다.
Open-source VectorDBBench를 사용하여 직접 벡터 데이터베이스 평가 및 비교하기
VectorDBBench는 고성능 데이터 저장 및 검색 시스템, 특히 vector databases가 필요한 사용자를 위한 오픈 소스 벤치마킹 도구입니다. 이 도구를 사용하면 사용자가 자체 데이터셋을 사용해 Milvus 및 Zilliz Cloud(관리형 Milvus) 같은 다양한 벡터 데이터베이스 시스템을 테스트하고 비교하여 자신의 use cases에 맞는 것을 찾을 수 있습니다. VectorDBBench를 통해 사용자는 마케팅 주장이나 소문이 아니라 실제 벡터 데이터베이스 성능을 기반으로 의사 결정을 내릴 수 있습니다.
VectorDBBench는 Python으로 작성되었으며 MIT 오픈 소스 라이선스에 따라 라이선스가 부여되어 누구나 자유롭게 사용, 수정, 배포할 수 있습니다. 이 도구는 기능과 성능 개선에 전념하는 개발자 커뮤니티에 의해 적극적으로 유지 관리되고 있습니다.
벤치마크 결과를 재현하거나 자체 데이터셋에서 성능 결과를 얻으려면 GitHub repository에서 VectorDBBench를 다운로드하세요.
VectorDBBench Leaderboard에서 주요 벡터 데이터베이스의 성능을 빠르게 살펴보세요.
벡터 데이터베이스 평가에 대해 더 자세히 알아보려면 다음 블로그를 읽어보세요.
VectorDB, GenAI 및 ML에 대한 추가 리소스
계속 읽기
How to Choose the Best Embedding Model for RAG in 2026: 10 Models Benchmarked
We benchmarked 10 embedding models on cross-modal, cross-lingual, long-document, and dimension compression tasks. See which one fits your RAG pipeline.
How Zilliz Saw the Future of Vector Databases—and Built for Production
An inside look at how Zilliz built vector databases for real-world use, focusing on scalability, stability, and running them reliably at scale.
Creating Collections in Zilliz Cloud Just Got Way Easier
We've enhanced the entire collection creation experience to bring advanced capabilities directly into the interface, making it faster and easier to build production-ready schemas without switching tools.
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.