Cognica Blog

온디바이스 AI가 요구하는 데이터베이스 아키텍처의 변화를 살펴봅니다. SQLite가 온디바이스 컴퓨팅의 해답이었던 것처럼, 온디바이스 AI에는 트랜잭션, 분석, 전문 검색, 벡터 검색을 통합한 새로운 데이터베이스가 필요합니다. Cognica가 온디바이스와 서버에서 동일하게 동작하는 이유를 설명합니다.

법률 서비스 시장에서 판례 검색이 어려운 이유를 기술적으로 분석합니다. 판례 데이터의 구조적 특성과 기존 분산 아키텍처(RDB + ElasticSearch + Vector DB)의 한계를 살펴보고, 단일 데이터베이스 기반의 통합 검색이 왜 필요한지 설명합니다.

기능별로 분화된 데이터베이스 시대가 가져온 복잡성과 한계를 넘어, 왜 이제는 하나의 통합된 데이터베이스가 필요한지 살펴봅니다. Cognica가 제시하는 OLTP, OLAP, 캐시, FTS, 벡터 검색을 단일 엔진에서 제공하는 통합형 데이터베이스의 가치와 AI 시대의 데이터베이스가 나아가야 할 방향을 소개합니다.

Monic 프레임워크는 단일 /compute 엔드포인트를 통해 클라이언트의 의도를 계산식으로 표현하도록 하여, REST의 엔드포인트 폭발 문제를 해소하고 API를 데이터베이스와 통합된 "계산 인터페이스(Computational Interface)"로 재정의합니다.

데이터 통합의 복잡성을 제거한 Cognica ERP는 '무엇'뿐 아니라 '왜', '앞으로'에 대한 답을 즉시 제공하여 비즈니스 경쟁력을 창출합니다.

2024년 6월 21일 OpenAI는 데이터베이스 스타트업 Rockset 인수를 발표했습니다. OpenAI에 따르면 Rockset 인수의 배경은 AI를 더 유용하게 만들기 위한 검색 인프라 개선이라고 합니다. 구체적으로 어떠한 이점 때문에 OpenAI는 Rockset을 인수했을까요?

RAG(검색 증강 생성)을 복잡한 인프라 구축 없이 AI 데이터베이스 하나로 쉽게 만들 수 있습니다.

벡터데이터베이스(VectorDB)를 활용해 대규모 언어모델(LLM)의 한계를 극복하고자 하는 방안이 주목받고 있습니다. 전문 분야나 학습되지 않은 도메인 데이터, 예를 들어 로펌의 판례나 회사의 커뮤니케이션 기록 등 특화된 정보에 대해 정확한 답변을 제공하기 위해, 모든 종류의 데이터를 벡터임베딩으로 변환하여 저장하고 검색할 수 있는 벡터 데이터베이스를 LLM의 장기기억 저장장치로 사용하는 것입니다. 이를 위해 위키피디아를 사용한 Q&A 시스템을 예로 들어 데이터 전처리, 벡터화, 저장, 검색 등의 과정을 통해 벡터 데이터베이스가 어떻게 LLM을 보완할 수 있는지에 대한 구체적인 사례를 살펴봅니다.

현대 애플리케이션에서 사용자의 체류 시간을 늘리기 위해 많은 서비스는 추천 시스템을 도입하고 있으며, 이는 특히 콘텐츠와 이커머스 분야에서 매출과 직접적인 연관이 있는 중요한 요소입니다. 추천 시스템은 사용자의 행동을 분석하여 관심사를 파악하고 관련 아이템을 제공함으로써 체류 시간을 늘리고 구매를 유도합니다. 여기에 어떻게 벡터데이터베이스가 활용될 수 있을까요?

우리가 사용하는 모바일 애플리케이션이나 웹서비스에는 검색기능이 있습니다. 대부분은 데이터베이스에서 제공하는 기본적인 텍스트 검색이나 Elasticsearch 같은 검색 엔진에서 제공하는 전문 검색(Full-Text Search)을 사용하여 개발 합니다. Full-Text Search는 주로 텍스트 데이터 검색에 사용되는 전통적인 방법 중 하나로 문서, 웹 페이지, 데이터베이스 등에서 특정 키워드, 단어, 구문 등을 찾아내는 데 중점을 두고 있습니다. 주로 키워드 또는 짧은 문장을 입력하여 텍스트 데이터를 검색 하고, 키워드와 일치하는 문서를 찾는 과정을 거치는데, 문맥이나 의미적 유사성을 고려하지는 않습니다.