SingleStore vs Milvus: AI 앱에 적합한 벡터 데이터베이스 선택하기
벡터 데이터베이스란 무엇인가요?
SingleStore와 Milvus를 비교하기 전에, 먼저 벡터 데이터베이스의 개념을 살펴보겠습니다.
벡터 데이터베이스는 비정형 데이터의 수치적 표현인 고차원 벡터를 저장하고 쿼리하도록 특별히 설계되었습니다. 이러한 벡터는 텍스트의 의미론적 의미, 이미지의 시각적 특징, 제품 속성과 같은 복잡한 정보를 인코딩합니다. 효율적인 유사도 검색을 가능하게 함으로써, 벡터 데이터베이스는 AI 애플리케이션에서 핵심적인 역할을 하며 더 고급화된 데이터 분석 및 검색을 가능하게 합니다.
벡터 데이터베이스의 일반적인 사용 사례에는 이커머스 제품 추천, 콘텐츠 발견 플랫폼, 사이버 보안의 이상 탐지, 의료 이미지 분석, 자연어 처리(NLP) 작업이 포함됩니다. 또한 대규모 언어 모델 (LLMs)에 외부 지식을 제공하여 AI 환각과 같은 문제를 줄임으로써 성능을 향상시키는 기법인 검색 증강 생성(RAG)에서도 중요한 역할을 합니다.
시장에는 다음을 포함한 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 전통적 데이터베이스.
SingleStore는 애드온으로 벡터 검색을 제공하는 분산형 관계형 SQL 데이터베이스 관리 시스템입니다. Faiss는 효율적인 벡터 검색을 위해 구축된 오픈 소스 경량 라이브러리입니다. 이 게시물에서는 이들의 벡터 검색 기능을 비교합니다.
SingleStore: 개요 및 핵심 기술
SingleStore는 벡터 검색을 데이터베이스 자체에 넣어 가능하게 했기 때문에 기술 스택에 별도의 벡터 데이터베이스가 필요하지 않습니다. 벡터는 일반 데이터베이스 테이블에 저장하고 표준 SQL 쿼리로 검색할 수 있습니다. 예를 들어, 가격 범위로 필터링하면서 유사한 제품 이미지를 검색하거나 결과를 특정 부서로 제한하면서 문서 임베딩을 탐색할 수 있습니다. 이 시스템은 벡터 인덱스에 대해 FLAT, IVF_FLAT, IVF_PQ, IVF_PQFS, HNSW_FLAT, HNSW_PQ를 사용한 의미론적 검색과 유사도 매칭을 위한 내적 및 유클리드 거리를 모두 지원합니다. 이는 유사도 매칭이 빠른 추천 시스템, 이미지 인식, AI 챗봇과 같은 애플리케이션에 매우 유용합니다.
핵심적으로 SingleStore는 성능과 확장성을 위해 구축되었습니다. 이 데이터베이스는 데이터를 여러 노드에 분산하므로 대규모 벡터 데이터 작업을 처리할 수 있습니다. 데이터가 증가하면 노드를 더 추가하기만 하면 됩니다. 쿼리 프로세서는 벡터 검색을 SQL 작업과 결합할 수 있으므로 여러 개의 별도 쿼리를 만들 필요가 없습니다. 벡터 전용 데이터베이스와 달리 SingleStore는 이러한 기능을 완전한 데이터베이스의 일부로 제공하므로 여러 시스템을 관리하거나 복잡한 데이터 전송을 처리하지 않고도 AI 기능을 구축할 수 있습니다.
벡터 인덱싱을 위해 SingleStore에는 두 가지 옵션이 있습니다. 첫 번째는 쿼리 벡터에 대한 정확한 k개의 최근접 이웃 집합을 찾는 정확한 k-최근접 이웃(kNN) 검색입니다. 하지만 매우 큰 데이터셋이나 높은 동시성의 경우 SingleStore는 벡터 인덱싱을 사용한 근사 최근접 이웃(ANN) 검색도 지원합니다. ANN 검색은 정확한 kNN 검색보다 훨씬 더 빠르게 k개의 가까운 이웃을 찾을 수 있으며, 때로는 그 차이가 수십 배에 달합니다. 속도와 정확도 사이에는 트레이드오프가 있습니다. ANN은 더 빠르지만 정확한 k개의 최근접 이웃 집합을 반환하지 않을 수 있습니다. 대화형 응답 시간이 필요하고 절대적인 정밀도가 필요하지 않은 수십억 개의 벡터를 다루는 애플리케이션에는 ANN 검색이 적합한 방법입니다.
SingleStore에서 벡터 인덱스의 기술적 구현에는 특정 요구 사항이 있습니다. 이러한 인덱스는 columnstore 테이블에만 생성할 수 있으며 벡터 데이터를 저장하는 단일 컬럼에 생성되어야 합니다. 현재 시스템은 Vector Type(dimensions[, F32]) 형식을 지원하며, F32는 유일하게 지원되는 요소 타입입니다. 이러한 구조화된 접근 방식은 대규모 언어 모델의 벡터를 사용하는 의미론적 검색, 집중적인 텍스트 생성을 위한 검색 증강 생성(RAG), 벡터 임베딩 기반 이미지 매칭과 같은 애플리케이션에 SingleStore를 매우 적합하게 만듭니다. 이를 기존 데이터베이스 기능과 결합함으로써 SingleStore는 개발자가 성능과 확장성을 유지하면서 SQL 구문을 사용해 복잡한 AI 애플리케이션을 구축할 수 있도록 합니다.
Milvus 벡터 데이터베이스 개요
Milvus는 벡터 검색과 유사도 검색을 핵심으로 삼아 처음부터 설계된 오픈 소스 벡터 데이터베이스입니다. 매우 뛰어난 성능을 제공하며 수십억 규모에서 수평 확장이 가능하고, 노트북부터 대규모 분산 시스템까지 다양한 환경에서 효율적으로 실행될 수 있습니다. Milvus는 오픈 소스 소프트웨어와 클라우드 서비스(Zilliz Cloud)로 모두 제공됩니다.
Milvus는 HNSW (Hierarchical Navigable Small World), IVF (Inverted File), DiskANN, 및 CAGRA를 포함해 최소 11가지 인덱싱 방법을 지원하여 대량의 데이터를 빠르게 검색할 수 있습니다. Cassandra와 달리 Milvus는 범용 데이터베이스가 아니라 비정형 데이터와 벡터 유사도 검색에 초점을 맞춘 도구이므로, 더 전문화된 솔루션입니다.
Milvus는 LF AI & Data Foundation의 일부이며 Apache 2.0 라이선스를 따릅니다. 많은 기여자들은 고성능 컴퓨팅(HPC) 전문가로, 대규모 시스템을 구축하고 최적화한 배경을 가지고 있습니다. 주요 기여자에는 Zilliz, ARM, NVIDIA, AMD, Intel, Meta, IBM, Salesforce, Microsoft와 같은 회사의 전문가들이 포함됩니다.
Milvus는 세 가지 배포 옵션을 제공합니다: Milvus Lite, Standalone, and Distributed.
- Milvus Lite는 Python 라이브러리이자 Milvus의 초경량 버전입니다. Python 또는 노트북 환경에서의 빠른 프로토타이핑과 소규모 로컬 실험에 적합합니다.
- Milvus Standalone은 클라이언트-서버 모델을 사용하는 Milvus의 단일 노드 배포 옵션입니다. Milvus Lite가 SQLite와 같다면, Milvus Standalone은 MySQL에 해당하는 Milvus 버전이라고 생각할 수 있습니다.
- Milvus Distributed는 Milvus의 분산 모드로, 대규모 벡터 데이터베이스 시스템이나 벡터 데이터 플랫폼을 구축하는 엔터프라이즈 사용자에게 이상적입니다.
주요 차이점
검색 방법론
SingleStore: 정확한 k-최근접 이웃(kNN) 검색과 근사 최근접 이웃(ANN) 검색을 모두 제공합니다. 정확한 kNN은 더 높은 정밀도를 보장하는 반면, ANN은 대규모 데이터셋에서 더 빠른 쿼리를 제공하며 속도를 위해 일부 정확도를 희생합니다. SingleStore는 여러 ANN 방식(예: IVF_FLAT, IVF_PQ, HNSW_PQ)을 지원하므로 기존 SQL 쿼리와 벡터 검색을 결합한 하이브리드 워크로드에 다재다능합니다.
Milvus: HNSW, IVF, DiskANN, CAGRA를 포함한 11개 이상의 인덱싱 방법을 광범위하게 지원하는 벡터 유사도 검색에 특화되어 있습니다. 이러한 인덱스는 성능과 유연성에 최적화되어 있어 Milvus가 다양한 벡터 검색 시나리오를 대규모로 처리할 수 있게 합니다. 인덱싱 옵션 덕분에 높은 구성 가능성이 필요한 순수 벡터 검색 작업에 더 나은 선택입니다. Milvus는 또한 kNN, ANN, Range Search, Full-text search, Hybrid Search를 지원하여 가장 관련성 높은 결과를 찾는 데 도움이 되는 더 다양한 검색 쿼리 세트를 제공합니다.
데이터 처리
SingleStore: 벡터 데이터를 범용 관계형 데이터베이스에 통합하여, 구조화 및 반정형 데이터와 함께 컬럼스토어 테이블에 벡터를 저장합니다. 이러한 구성은 표준 SQL 쿼리를 통한 원활한 필터링과 집계를 가능하게 하므로, 구조화된 메타데이터와 비정형 벡터 데이터를 결합하는 애플리케이션에 이상적입니다.
Milvus: 비정형 데이터에만 집중하여 이미지 인식, 문서 검색, 추천 시스템과 같은 사용 사례에 맞게 설계되었습니다. 주로 벡터로 구성된 데이터셋을 다루며 구조화된 데이터에 크게 의존하지 않는 경우, Milvus는 더 맞춤화된 솔루션을 제공합니다.
확장성 및 성능
SingleStore: 여러 노드에 데이터를 분산하여 수평으로 확장합니다. 데이터가 증가함에 따라 노드를 추가하는 것이 간단하며, SQL 쿼리 프로세서는 벡터 검색을 표준 데이터베이스 작업과 효율적으로 병합합니다. 그러나 벡터 기능은 더 넓은 데이터베이스 시스템의 일부이므로, 순수 벡터 워크로드에는 오버헤드가 발생할 수 있습니다.
Milvus: 핵심 기능으로 수평 확장성을 갖춘 10억 규모 벡터 검색을 위해 설계되었습니다. 분산 모드는 대규모 배포에서 높은 성능을 보장합니다. Milvus의 아키텍처는 벡터 검색이 주요 워크로드인 시나리오에 최적화되어 있으며, 이러한 사용 사례에서 더 낮은 지연 시간과 더 나은 효율성을 제공합니다.
유연성 및 사용자 지정
SingleStore: 벡터 검색과 SQL 작업을 결합하는 데 유연성을 제공합니다. 그러나 벡터 인덱싱은 특정 구성(예: F32 요소 유형, 컬럼스토어 테이블의 단일 열 벡터)으로 제한됩니다. 이러한 구조화된 접근 방식은 기존 데이터베이스 기능과의 긴밀한 통합이 필요한 애플리케이션에 적합합니다.
Milvus: 인덱싱, 검색 매개변수, 배포 모드에 대한 광범위한 사용자 지정을 제공합니다. 임베디드 환경을 위한 Milvus Lite, 로컬 실험을 위한 Milvus Standalone, 대규모 환경을 위한 Distributed Milvus와 같은 옵션을 통해 다양한 워크플로를 지원합니다.
통합 및 생태계
SingleStore: 표준 SQL 기반 도구 및 워크플로와의 통합에 뛰어나며, 개발자가 가파른 학습 곡선 없이 익숙한 기술을 사용할 수 있게 합니다. AI 및 분석 도구와의 호환성은 하이브리드 애플리케이션에서의 유용성을 높입니다.
Milvus: AI 및 머신러닝 생태계와의 통합에 집중합니다. 임베딩 모델을 지원하며 검색 증강 생성(RAG) 파이프라인과 밀집 벡터 처리가 필요한 애플리케이션에서 잘 작동합니다. 오픈 소스 특성 덕분에 개발자가 특정 요구에 맞게 확장하고 조정할 수도 있습니다.
사용 편의성
SingleStore: SQL의 단순성과 벡터 기능을 결합하여 관계형 데이터베이스에 익숙한 개발자도 쉽게 접근할 수 있습니다. 그러나 벡터 처리에 대한 구조화된 접근 방식은 비정형 데이터가 많은 워크로드에 맞춰 조정이 필요할 수 있습니다.
Milvus: 처음부터 벡터 검색을 위해 설계되어 더 전문화된 경험을 제공합니다. 분산 모드는 복잡성을 도입할 수 있지만, standalone 및 lite 버전은 실험과 소규모 배포를 단순화합니다.
비용 고려 사항
SingleStore: 벡터 검색을 전체 데이터베이스에 통합함으로써 SingleStore는 여러 시스템의 필요성을 줄여 운영 비용을 낮출 가능성이 있습니다. 그러나 범용 데이터베이스로서의 가격 책정에는 벡터 특화 워크로드에 필요하지 않은 기능이 포함될 수 있습니다.
Milvus: 오픈 소스 Milvus는 비용 효율적인 진입점을 제공하며, Zilliz Cloud와 같은 관리형 서비스로 확장할 수 있는 유연성을 갖추고 있습니다. 벡터 검색에 집중하므로 필요한 기능에 대해서만 비용을 지불할 수 있습니다.
보안 기능
SingleStore: 암호화, 인증, 접근 제어를 포함한 강력한 엔터프라이즈급 보안 기능을 제공합니다. 포괄적인 데이터베이스 기능 덕분에 엄격한 규정 준수가 필요한 애플리케이션에 강력한 선택지가 됩니다.
Milvus: 보안 기능은 제공되지만, 구체적인 내용은 배포 모델(예: standalone vs. cloud)에 따라 달라집니다. 엔터프라이즈 사용 사례의 경우 Zilliz Cloud가 향상된 보안 기능을 제공합니다.
결론
사용 사례와 생태계에 따라 하나를 선택하세요:
SingleStore는 구조화된 데이터 처리와 벡터 검색을 결합한 하이브리드 솔루션을 원할 때 적합합니다. SQL과 벡터 쿼리가 함께 존재해야 하는 전자상거래 또는 엔터프라이즈 분석에 좋습니다.
Milvus는 대규모 비정형 데이터와 AI 워크로드에 최적화된 벡터 데이터베이스가 필요할 때 적합합니다. 추천 엔진이나 검색 증강 생성 시스템처럼 유사도 검색에 크게 의존하는 프로젝트에 좋습니다.
벡터 중심적이고 개발자 친화적이며 확장 가능한 경우에는 Milvus. 구조화된 데이터와 벡터를 하나의 시스템에서 처리하려면 SingleStore.
SingleStore와 Milvus에 대한 개요를 얻으려면 이것을 읽되, 이를 평가하려면 사용 사례를 기반으로 평가해야 합니다. 이를 도울 수 있는 도구 중 하나는 벡터 데이터베이스 비교를 위한 오픈 소스 벤치마킹 도구인 VectorDBBench입니다. 결국, 자체 데이터셋과 쿼리 패턴으로 철저히 벤치마킹하는 것이 분산 데이터베이스 시스템에서 벡터 검색에 대한 이 두 가지 강력하지만 서로 다른 접근 방식 중 하나를 결정하는 핵심이 될 것입니다.
오픈 소스 VectorDBBench를 사용하여 직접 벡터 데이터베이스 평가 및 비교하기
VectorDBBench는 고성능 데이터 저장 및 검색 시스템, 특히 벡터 데이터베이스가 필요한 사용자를 위한 오픈 소스 벤치마킹 도구입니다. 이 도구를 사용하면 사용자가 자체 데이터셋으로 Milvus 및 Zilliz Cloud(관리형 Milvus)와 같은 다양한 벡터 데이터베이스 시스템을 테스트하고 비교하여 자신의 사용 사례에 맞는 것을 찾을 수 있습니다. VectorDBBench를 통해 사용자는 마케팅 주장이나 풍문이 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 적극적으로 유지 관리되고 있습니다.
벤치마크 결과를 재현하거나 자체 데이터셋에서 성능 결과를 얻으려면 GitHub repository에서 VectorDBBench를 다운로드하세요
VectorDBBench Leaderboard에서 주요 벡터 데이터베이스의 성능을 간단히 살펴보세요.
벡터 데이터베이스 평가에 대해 더 알아보려면 다음 블로그를 읽어보세요.
VectorDB, GenAI 및 ML에 관한 추가 리소스
계속 읽기
Will Amazon S3 Vectors Kill Vector Databases—or Save Them?
AWS S3 Vectors aims for 90% cost savings for vector storage. But will it kill vectordbs like Milvus? A deep dive into costs, limits, and the future of tiered storage.
Democratizing AI: Making Vector Search Powerful and Affordable
Zilliz democratizes AI vector search with Milvus 2.6 and Zilliz Cloud for powerful, affordable scalability, cutting costs in infrastructure, operations, and development.
Building RAG Pipelines for Real-Time Data with Cloudera and Milvus
explore how Cloudera can be integrated with Milvus to effectively implement some of the key functionalities of RAG pipelines.
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.