Vector Sech 가이드

벡터 검색은 텍스트, 이미지, 제품 설명 등 복잡한 데이터를 벡터(숫자 배열)로 변환하여 의미 기반 검색을 가능하게 하는 최신 검색 방식이다.

벡터 검색 방식 비교

기능	쿼리 타입	입력 형식	임베딩 모델 필요 여부	주요 사용 사례
Raw Vector 검색	`knn`	벡터 배열 (vector)	필요 없음	기존 벡터를 활용한 검색
자동 생성 임베딩 검색	`neural`	텍스트 또는 이미지	필요	AI 기반 의미 검색

1. Raw Vector 검색

벡터가 이미 생성되어 있고, 이를 직접 활용하여 검색하고자 할 경우에는 knn 쿼리를 사용한다. 벡터 필드에 배열을 직접 입력하고 k 값을 지정하여 유사한 문서 N개를 검색한다.

GET /my-raw-vector-index/_search
{
  "query": {
    "knn": {
      "my_vector": {
        "vector": [0.1, 0.2, 0.3],
        "k": 2
      }
    }
  }
}

my_vector: 색인된 문서의 벡터 필드
vector: 쿼리 벡터 배열 (직접 입력)
k: 반환할 문서 개수

적합한 경우: 외부에서 임베딩한 벡터 데이터를 직접 인덱싱하여 사용하는 경우

2. 자동 생성 임베딩 검색 (Neural Search)

OpenSearch는 AI 검색을 위해 쿼리 입력값(텍스트, 이미지 등)을 임베딩으로 자동 변환해주는 기능을 제공한다. 이때 사용하는 쿼리 타입은 neural 이다.

GET /my-ai-search-index/_search
{
  "_source": {
    "excludes": [
      "output_embedding"
    ]
  },
  "query": {
    "neural": {
      "output_embedding": {
        "query_text": "What is AI search?",
        "model_id": "mBGzipQB2gmRjlv_dOoB",
        "k": 2
      }
    }
  }
}

query_text: 검색어(자연어 등)
model_id: 텍스트 임베딩 모델 ID (Ingest pipeline에서 사용한 것과 동일해야 함)
output_embedding: 임베딩 결과가 저장된 벡터 필드
_source.excludes: 검색 결과에서 임베딩 벡터를 제외하고 싶을 경우

적합한 경우: 자연어 질의에 대한 의미 기반 검색이 필요한 경우
예: “이 제품과 유사한 다른 제품 보여줘”, “AI 검색이 뭐야?” 등의 질문

3. 희소 벡터(Sparse Vector) 검색

OpenSearch는 희소 벡터(sparse vector)를 활용한 검색도 지원합니다. 이는 단어 빈도 기반의 BoW(Bag of Words), TF-IDF, BM25 등 전통적인 방식과 유사한 희소 표현을 벡터화하여 사용하는 구조입니다.

참고: 희소 벡터 검색은 Neural Sparse Search 기능을 통해 사용할 수 있으며, 별도 모델과 설정이 필요합니다.

마무리

OpenSearch의 벡터 검색 기능은 단순한 키워드 매칭을 넘어서 의미와 맥락을 이해하는 검색을 가능하게 한다. 필요에 따라 raw vector 검색 또는 AI 기반 neural search를 선택하여 사용할 수 있으며, 하이브리드 검색과 결합하면 더욱 강력한 검색 엔진을 구현할 수 있다.