Vektorová, nebo relační databáze: rozhodujte podle dotazů

Jiná otázka vyžaduje jiný způsob hledání

Dotaz na stav konkrétní objednávky potřebuje aktuální záznam. Hledání návodu vlastními slovy potřebuje relevantní text. Právě tímto rozlišením bych začal debatu o databázi.

Příklady v článku jsou modelové. Nejde o popis konkrétního klientského incidentu ani o výsledky měření výkonu.

Relační data pro přesné odpovědi

Objednávky, faktury, zásoby a platby mají identifikátory a vazby. Když se někdo ptá na objednávku 2026/0042, potřebuje její stav ze systému, který ho spravuje. Podobný dokument není náhradou za tento údaj.

Než měnit databázi, prověřil bych datový model, dotazy a indexy stávajícího řešení. Nasazení AI asistenta samo o sobě migraci nevyžaduje.

Fulltext pro slova a fráze

Název produktu, označení nebo konkrétní fráze mohou být vhodným zadáním pro fulltext. Jeho přínos ověřte na českých dotazech včetně skloňování a pořadí výsledků.

PostgreSQL nabízí vlastní zpracování a hodnocení textového vyhledávání. Jeho výchozí ranking není totéž co BM25; dokumentace PostgreSQL popisuje funkce ts_rank a ts_rank_cd.

Vektory pro podobnost obsahu

Embedding reprezentuje obsah číselným vektorem. Porovnání vektorů pomáhá najít významově blízké pasáže i tehdy, když uživatel použije jiné výrazy.

Podobnost nezaručuje správnost ani aktuálnost. Záleží na modelu, přípravě dokumentů i vyhledávání. Rozšíření pgvector podporuje přesné a přibližné hledání nejbližších vektorů. Přibližný index může zvýšit rychlost za cenu vynechání některých relevantních výsledků.

Modelová situace v zákaznické podpoře

Na otázku „Jak vrátím zboží?“ lze dohledat postup v dokumentaci. Na otázku „Už jste odeslali moji objednávku?“ je třeba ověřit oprávnění a načíst aktuální záznam.

Ve vyhledávání produktů se mohou spojit textová shoda, významová podobnost a přesné filtry. Dostupná velikost nebo cenový limit musí zůstat podmínkou výsledku.

Jak poznat, že vyhledávání funguje

Připravte sadu typických dotazů a očekávaných odpovědí. Vyhodnocujte relevanci, čerstvost údajů, dobu odezvy a přístupová práva. Zařaďte i otázky, pro které dokumenty správnou odpověď neobsahují.

Ukládejte verzi embeddingového modelu a vazbu na zdroj. Nový model nebo jiné dělení textu ověřte odděleně před přepnutím. Aktualizaci a mazání nastavte podle typu obsahu, nikoli podle univerzální doby uchování.

PostgreSQL s pgvector, nebo samostatná služba?

Pokud už PostgreSQL používáte, otestoval bych vektorové hledání ve stejném prostředí. Může zjednodušit správu i propojení s dalšími záznamy.

Oddělený systém posuzujte podle měření. Počet dokumentů není univerzální hranicí pro migraci: záleží také na velikosti vektorů, filtrech, souběhu dotazů, paměti a požadované kvalitě.

Do nákladů patří zálohy, obnova, monitoring a práce týmu. Samotný účet za server nelze srovnávat s celou spravovanou službou bez těchto položek.

S čím začít u vás

1. Hledáte konkrétní záznam, slova, nebo významově podobný obsah?
2. Kde je aktuální zdroj a kdo k němu má přístup?
3. Jakou kvalitu a odezvu potřebujete na vlastních datech?

Probrat vyhledávání nad vašimi daty →