SingleStore vs MongoDB: AI 앱에 적합한 벡터 데이터베이스 선택하기
벡터 데이터베이스란 무엇인가요?
SingleStore와 MongoDB를 비교하기 전에, 먼저 벡터 데이터베이스의 개념을 살펴보겠습니다.
벡터 데이터베이스는 고차원 벡터를 저장하고 쿼리하도록 특별히 설계되었으며, 이는 비정형 데이터의 수치적 표현입니다. 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 고도화된 데이터 분석과 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 Retrieval Augmented Generation(RAG)에서도 중요한 역할을 하는데, 이는 외부 지식을 제공하여 AI 환각과 같은 문제를 줄임으로써 대규모 언어 모델 (LLMs)의 성능을 향상시키는 기법입니다.
시장에는 다음을 포함해 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.
SingleStore는 분산형 관계형 SQL 데이터베이스 관리 시스템이고 MongoDB는 JSON과 유사한 문서에 데이터를 저장하는 NoSQL 데이터베이스입니다. 둘 다 벡터 검색을 애드온으로 제공합니다. 이 글에서는 이들의 벡터 검색 기능을 비교합니다.
SingleStore: 개요 및 핵심 기술
SingleStore는 벡터 검색을 데이터베이스 자체에 포함함으로써 이를 가능하게 했기 때문에, 기술 스택에 별도의 벡터 데이터베이스가 필요하지 않습니다. 벡터는 일반 데이터베이스 테이블에 저장할 수 있으며 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 인덱스로 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 빠르게 이루어지는 추천 시스템, 이미지 인식, AI 챗봇과 같은 애플리케이션에 매우 유용합니다.
핵심적으로 SingleStore는 성능과 확장성을 위해 구축되었습니다. 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 전체 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 대해 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 k개의 가까운 이웃을 훨씬 더 빠르게 찾을 수 있으며, 때로는 몇 자릿수 규모로 더 빠릅니다. 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 적합합니다.
SingleStore에서 벡터 인덱스의 기술적 구현에는 특정 요구 사항이 있습니다. 이러한 인덱스는 columnstore 테이블에서만 생성할 수 있으며, 벡터 데이터를 저장하는 단일 열에 생성해야 합니다. 현재 시스템은 Vector Type(dimensions[, F32]) 형식을 지원하며, F32는 유일하게 지원되는 요소 타입입니다. 이러한 구조화된 접근 방식은 대규모 언어 모델의 벡터를 사용하는 의미 검색, 집중된 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.
MongoDB: 개요 및 핵심 기술
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 안에서 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 생성하여 근사 최근접 이웃(ANN) 검색을 수행할 수 있게 합니다. 이는 대규모 벡터 검색에서 속도와 정확도의 균형을 제공합니다. Atlas Vector Search는 또한 최대 10,000개 문서에 대한 쿼리에서 성능보다 정확도를 우선시하는 정확한 최근접 이웃(ENN) 검색도 지원합니다.
Atlas Vector Search의 큰 장점 중 하나는 MongoDB의 유연한 문서 모델과의 통합입니다. 벡터 임베딩을 다른 문서 데이터와 함께 저장할 수 있으므로 더 문맥적이고 정밀하게 검색할 수 있습니다. 최대 4096차원까지 임베딩할 수 있는 모든 종류의 데이터를 쿼리할 수 있습니다. Atlas Vector Search를 사용하면 벡터 유사도 검색을 기존 문서 필터링과 결합할 수 있습니다. 예를 들어 제품에 대한 의미 검색은 카테고리, 가격 범위 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 초점을 맞춘 Atlas Search와는 다릅니다. 이 플랫폼은 인기 있는 AI 서비스 및 도구와 통합되므로 OpenAI, VoyageAI 및 Hugging Face에 나열된 많은 다른 제공업체의 임베딩 모델과 함께 사용할 수 있습니다. 또한 Large Language Models (LLMs)를 사용하는 애플리케이션 구축을 위해 LangChain 및 LlamaIndex와 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 확장이 가능해져 규모가 커져도 더 나은 성능을 얻을 수 있습니다.
MongoDB 생태계 안에서 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, 벡터 검색과 함께 MongoDB의 확장성과 풍부한 기능을 사용할 수 있습니다.
주요 차이점
검색 방법론 및 알고리즘
SingleStore는 다양한 사용 사례에 맞는 여러 벡터 검색 옵션을 제공합니다. 정확한 결과를 위해 exact k-nearest neighbors (kNN) 검색을 제공합니다. 정확성보다 속도를 중시하는 경우, SingleStore는 FLAT, IVF_FLAT, IVF_PQ, IVF_PQFS, HNSW_FLAT, HNSW_PQ 등 여러 인덱스 유형을 사용하는 Approximate Nearest Neighbor (ANN) 검색을 제공합니다. 또한 유사도 매칭을 위해 내적과 유클리드 거리를 모두 지원하므로 개발자는 벡터 유사도를 측정하는 방식에서 유연성을 가질 수 있습니다.
MongoDB Atlas Vector Search는 더 집중된 접근 방식을 취하며 HNSW (Hierarchical Navigable Small World)를 기본 검색 방법으로 사용합니다. 최대 10,000개 문서의 소규모 데이터셋에 대해서는 MongoDB가 Exact Nearest Neighbors (ENN) 검색을 제공합니다. 더 큰 규모에서는 성능을 유지하기 위해 ANN 검색으로 전환합니다. 이는 개발자의 결정을 단순화하면서도 검색 기능을 제공합니다.
데이터 처리 및 구조
SingleStore는 columnstore 테이블을 기반으로 한 구조화된 접근 방식을 사용합니다. 벡터 데이터는 다음 형식이어야 합니다: Vector Type(dimensions[, F32]). 이러한 구조화된 접근 방식은 SingleStore가 기존 SQL과 벡터 연산을 효율적으로 결합할 수 있게 합니다. SQL 연산이 주요 요구 사항인 명확한 데이터 스키마를 가진 애플리케이션에 잘 맞습니다.
MongoDB는 문서 기반 스토리지로 더 유연한 접근 방식을 취합니다. 최대 4096차원의 벡터를 지원하며, 벡터 데이터를 어떤 문서 구조와도 혼합할 수 있습니다. 이러한 유연성 덕분에 MongoDB는 시간이 지남에 따라 스키마가 변경될 수 있는 반정형 및 비정형 데이터를 가진 애플리케이션에 적합합니다.
확장성 및 성능
SingleStore는 여러 노드에 걸친 데이터 분산을 통해 확장됩니다. 데이터가 증가함에 따라 성능을 유지하기 위해 더 많은 노드를 추가할 수 있습니다. 벡터 검색과 SQL을 단일 쿼리에서 결합하여 복잡성을 줄이고 성능을 향상시킵니다. 이러한 아키텍처는 SingleStore를 기존 데이터베이스 내에서 고성능 벡터 연산에 적합하게 만듭니다.
MongoDB는 벡터 검색 워크로드를 위한 전용 Search Nodes를 통해 확장됩니다. 검색 인프라를 주요 데이터베이스 작업과 분리함으로써 검색을 독립적으로 확장할 수 있습니다. 통합 벡터 검색과 함께 문서 기반 작업에 최적화되어 있으므로, 기존 문서 저장소와 벡터 검색 기능의 균형을 맞춰야 하는 애플리케이션에 적합합니다.
통합 및 생태계
SingleStore의 강점은 SQL 기반 접근 방식에 있습니다. 기존 SQL 도구 및 워크플로와 원활하게 작동하므로, 기존 SQL 전문성과 인프라를 보유한 조직에 훌륭한 선택입니다. 강력한 SQL 통합이 필요한 애플리케이션은 큰 아키텍처 변경 없이 SingleStore의 벡터 기능을 사용할 수 있습니다.
MongoDB는 OpenAI 및 VoyageAI와 같은 인기 AI 서비스와 폭넓게 통합됩니다. LangChain 및 LlamaIndex와 같은 최신 AI 프레임워크를 지원하며 다양한 임베딩 모델과 함께 작동합니다. 또한 벡터 검색과 전체 텍스트 검색을 결합한 하이브리드 검색에 대한 기본 지원도 제공합니다. 이러한 풍부한 생태계는 MongoDB를 AI 기반 애플리케이션에 적합한 선택으로 만듭니다.
SingleStore를 선택해야 하는 경우
SingleStore는 SQL을 사용하고 대규모로 구조화된 데이터를 처리해야 하는 기업을 위한 것입니다. 정확한 결과가 필요한 금융 분석 플랫폼, 실시간 추천 엔진 또는 대규모 이미지 유사도 검색 시스템처럼 정확한 벡터 매칭이 중요한 엔터프라이즈 애플리케이션에 완벽합니다. 기존 데이터베이스 작업과 벡터 검색을 결합해야 하고, 팀이 SQL 전문성을 갖추고 있으며, 인프라가 관계형 데이터베이스를 중심으로 구축되어 있을 때 적합합니다.
MongoDB를 선택해야 하는 경우
MongoDB는 앱에 유연한 데이터 구조와 최신 AI 서비스와의 원활한 통합이 필요할 때 분명한 선택입니다. 벡터 검색을 비정형 데이터와 결합해야 하는 콘텐츠 추천 시스템, 시맨틱 문서 검색 또는 AI 기반 챗봇과 같은 애플리케이션에 훌륭합니다. 벡터 검색 구현을 빠르게 프로토타이핑하고 반복 개선해야 하거나, 하이브리드 검색이 필요하거나, 여러 AI 서비스 및 임베딩 모델과 통합할 계획이 있을 때 적합합니다.
결론
SingleStore와 MongoDB는 모두 벡터 검색에 훌륭하지만, 현대 앱 환경에서 서로 다른 요구를 충족합니다. SingleStore의 강점은 SQL 우선 접근 방식, 정밀한 벡터 연산, 대규모 구조화 데이터 처리에 있으므로 SQL 전문성이 풍부한 엔터프라이즈 환경에 적합합니다. MongoDB의 유연성, AI 서비스 통합, 문서 기반 접근 방식은 벡터 검색을 여러 데이터 유형 및 AI 기능과 결합해야 하는 현대 앱에 완벽합니다. 선택은 사용 사례, 기존 기술 스택, 팀 전문성, 그리고 정밀한 SQL 기반 연산이 필요한지 아니면 유연성과 쉬운 AI 통합이 필요한지에 따라 이루어져야 합니다.
SingleStore와 MongoDB의 개요를 파악하려면 이 글을 읽어보되, 이를 평가하려면 사용 사례를 기반으로 평가해야 합니다. 그에 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 핵심이 될 것입니다.
Open-source 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 사용자는 자체 데이터셋을 사용해 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 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 및 배포할 수 있습니다. 이 도구는 기능과 성능 개선에 전념하는 개발자 커뮤니티에 의해 활발히 유지 관리되고 있습니다.
벤치마크 결과를 재현하거나 자체 데이터셋에서 성능 결과를 얻으려면 GitHub repository에서 VectorDBBench를 다운로드하세요.
VectorDBBench Leaderboard에서 주류 벡터 데이터베이스의 성능을 간단히 살펴보세요.
벡터 데이터베이스 평가에 대해 자세히 알아보려면 다음 블로그를 읽어보세요.
VectorDB, GenAI 및 ML에 대한 추가 리소스
계속 읽기
Stop Building AI Data Infra for the Wrong Stage
Learn how AI data infrastructure should evolve from prototype to enterprise scale, and when Vector Lakebase becomes the right architecture for AI apps.
Data Deduplication at Trillion Scale: How to Solve the Biggest Bottleneck of LLM Training
Explore how MinHash LSH and Milvus handle data deduplication at the trillion-scale level, solving key bottlenecks in LLM training for improved AI model performance.
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.