Cos'è un vector database (database vettoriale)?
Database che indicizza i dati per significato, non per parole esatte: la memoria su cui la RAG cerca i contenuti simili a una domanda.
Un vector database archivia e cerca embedding: rappresentazioni numeriche del significato di testi, immagini o altri contenuti. Due frasi che dicono la stessa cosa con parole diverse ("disdire il contratto" e "recesso anticipato") producono vettori vicini, quindi la ricerca trova i contenuti simili per significato, non solo quelli che contengono le stesse parole. È l'infrastruttura su cui si appoggia la ricerca semantica e, soprattutto, la RAG: quando un assistente AI deve rispondere sui documenti aziendali, è il vector database a individuare in millisecondi i frammenti pertinenti da passare al modello, prima ancora che questo formuli una risposta. In pratica esistono tre strade percorribili: motori dedicati come Pinecone, Qdrant, Weaviate o Milvus, estensioni di database già in uso come pgvector su PostgreSQL, oppure le capacità vettoriali ormai integrate nelle piattaforme dati come Databricks, Snowflake o BigQuery, ciascuna con un compromesso diverso tra semplicità operativa e prestazioni su grandi volumi.
A cosa serve davvero
È l'infrastruttura della ricerca semantica e soprattutto della RAG: quando un assistente AI deve rispondere sui documenti aziendali, è il vector database a trovare in millisecondi i frammenti rilevanti da passare al modello. Le opzioni pratiche sono tre: motori dedicati (Pinecone, Qdrant, Weaviate, Milvus), estensioni di database che hai già (pgvector su PostgreSQL è diventato la scelta di default di molti progetti), o le capacità vettoriali ormai integrate nelle piattaforme dati (Databricks, Snowflake, BigQuery, i servizi cloud gestiti).
La scelta sensata
Per la maggior parte delle aziende la domanda non è "quale vector database comprare" ma "mi serve davvero un componente in più?". Se hai già PostgreSQL o una piattaforma dati moderna, spesso la risposta migliore è usare le capacità vettoriali di ciò che possiedi: un pezzo di stack in meno da gestire e i permessi già in casa. Il motore dedicato si giustifica su volumi e requisiti di latenza importanti. E vale il solito ordine: prima la qualità dei contenuti indicizzati, poi la tecnologia che li cerca.
Termini correlati
- RAG · Tecnica che fa rispondere un LLM sui dati della tua azienda: recupera i documenti rilevanti e li passa al modello prima della risposta.
- Knowledge graph · Una rete che rappresenta i dati aziendali come entità e relazioni: clienti, prodotti, contratti e le relazioni che li legano.
- Data lakehouse · Architettura dati che unisce la flessibilità del data lake e l'affidabilità del data warehouse in un'unica piattaforma.
- Embedding · Rappresentazione numerica del significato di un testo o di un'immagine, usata per confrontare i contenuti per somiglianza.
- Ricerca ibrida e reranking · Lo stadio di ranking di una RAG: fonde ricerca lessicale e vettoriale, poi un reranker riordina i migliori candidati.
Un termine che ti riguarda da vicino? Parliamone.
CONTATTAMI