벡터 데이터베이스 설계와 구축: Vector DB에서 RAG, 그리고 Graph DB까지(개정판)

어떤 독자를 위한 책인가?
-. AI 비정형 데이터의 분석/설계 및 데이터 활용 전략에 관심이 있는 AI 분석/설계자
-. 데이터 분석 관점에서 Graph DB를 활용한 지식그래프 구조화에 관심 있는 분석/설계자
-. Vector DB를 기반으로 한 데이터 모델링, 최적화, 응용 방안을 탐구하려는 AI 연구자 및 개발자
-. Vector 지식과 온톨로지 지식을 통해 데이터 관점에서 AI를 이해하고자 하는 연구자

개념 설명에만 머물지 않고
그 너머, 실전 Vector DB에 진입할 수 있는 예제 수록

* Chroma DB - Vector DB
* Neo4j DB - Graph DB
* Neo4j DB - 알고리즘 활용(커뮤니티 생성)
* FAISS - Library
* CHAT 시스템 - RAG 환경

* Vector DB는 비정형 데이터, 특히 벡터 데이터를 처리하는 데 최적화된 데이터베이스다. Vector DB는 벡터 공간에서 데이터를 다루며, 각 데이터는 고차원 벡터로 표현된다. 다시 말해, Vector DB는 수학적 계산을 통해 데이터를 3차원 이상의 다차원 공간에 모델링한다.

* Graph DB는 복잡한 관계 정보를 바탕으로 데이터를 분석하고, 보다 정확한 정보나 문제에 대한 추론 결과를 제공할 수 있다. 단순 데이터 검색뿐 아니라, 데이터 간의 연결성을 이용한 심층적인 분석이 가능하다.

* 이 책은 Vector DB에 대한 개념 이해부터 차근차근 설명해서 마지막 챕터에서는 실전 Vector DB 및 Graph DB까지 진입하는 것을 목적으로 한다. 개정판에서는 '온톨로지와 Graph DB'의 관계를 업그레이드한 '팔란티어 Ontology 구현방법 및 적용 시 주의사항'을 상세히 수록했다.

Chapter 1. Vector DataBase 개요
__1.1 The Rising Star of AI
__1.2 Vector에 대한 이해

Chapter 2. Vector DBMS 종류 및 선택 기준
__2.1 Vector DBMS 특징
__2.2 Vector DBMS 종류 및 선택 시 고려사항
__2.3 Vector DBMS 종류별 특징 비교

Chapter 3. 생성형 AI 프로젝트 설계 방법론
__3.1 생성형 AI 프로젝트 수행 작업 절차
__3.2 데이터 분석 준비 및 설계 절차

Chapter 4. 데이터 분석 및 준비
__4.1 데이터 범위/유형 분석
__4.2 데이터 요건 분석
__4.3 데이터 피처 분석
__4.4 데이터셋 확보

Chapter 5. Vector DataBase Schema 설계
__5.1 Vector DB Schema 설계
__5.2 Collection Design
__5.3 Vector Design
__5.4 Meta Data Design
__5.5 Relationship Design

Chapter 6. 데이터 검색/응답 정합성 검증(Retrieval/Response)
__6.1 데이터 평가 및 검증

Chapter 7. RAG 개요 및 성능 개선
__7.1 RAG 개요
__7.2 RAG 아키텍처
__7.3 RAG 한계
__7.4 RAG 개선(Advanced RAG, Modular RAG, Graph RAG)

Chapter 8. Advanced RAG
__8.1 Advanced RAG 개요
__8.2 원천 데이터의 정비
__8.3 Retrieval 전략의 조정
__8.4 Search 전략 조정
__8.5 Collection 분리/분산

Chapter 9. Modular RAG
__9.1 Modular RAG 개요
__9.2 독립 모듈화
__9.3 다양한 FLOW 패턴
__9.4 참조 - Modular RAG 외부 논문

Chapter 10. Graph RAG - 지식 기반 RAG
__10.1 Graph RAG 개요
__10.2 Graph DB 모델링-데이터 모델링 기본 구조
__10.3 Graph DB 모델링-데이터의 분리(Divide) 깊이
__10.4 Graph DB 모델링-데이터 모델링 절차
__10.5 Graph DB 모델링-데이터 검색
__10.6 온톨로지
__10.7 Graph RAG에서 지식그래프 활용(Graph DB + 온톨로지)
__10.8 Graph RAG의 비즈니스 적용 사례(국방, 의료, 법률)
__10.9 Neo4j DB
__참고) 팔란티어 Ontology 구현방법 및 적용 시 주의사항

Chapter 11. 프로그램 따라해 보기
__11.1 Chroma DB - Vector DB
____11.1.1 Chroma DB 설치
____11.1.2 프로그램 따라하기 with Python- Chroma Embedding 데이터 저장
____11.1.3 프로그램 따라하기 with Python- Response 정보 openAI로 생성하기
____11.1.4 프로그램 따라하기 with Python - Chunking
____11.1.5 프로그램 따라하기 with Python - 샘플 프로그램
__11.2 Neo4j DB - Graph DB
____11.2.1 Neo4j DB 설치
____11.2.2 프로그램 따라하기 with Python- Neo4j Embedding 데이터 저장
____11.2.3 프로그램 따라하기 with Python-Hallucination(환각) 개선 with Neo4j
__11.3 Neo4J DB-알고리즘 활용(커뮤니티 생성)
____11.3.1 Neo4J Plug-In 설치
____11.3.2 프로그램 따라하기 with Python-그래프 모델 생성(인터넷 뉴스 데이터)
____11.3.3 프로그램 따라하기 with 알고리즘 - 커뮤니티 생성(인터넷 뉴스 데이터)
__11.4 FAISS - Library
____11.4.1 FAISS 설치
____11.4.2 프로그램 따라하기 with Python - FAISS Embedding 저장 및 검색
__11.5 CHAT 시스템 - RAG 환경
____11.5.1 Streamlit
____11.5.2 프로그램 따라하기 with Python- 간단한 CHAT 프로그램

송기상 데이터와 AI의 융합을 선도하는 데이터 아키텍처 및 AI 전문가로, 20여 년간 금융, 유통, 공공 등 다양한 산업에서 데이터 기반 프로젝트를 성공적으로 수행하였습니다. 은행, 보험, 카드, 캐피탈, 증권 등 금융권 프로젝트부터 홈쇼핑과 e-Commerce 같은 유통 분야, 국방, 경찰, 검찰, 인천공항 등 공공 프로젝트까지 폭넓은 실무 경험을 쌓아 왔으며, AI 분야에서도 역량을 보유한 저자는 대기업에서 AI와 데이터 아키텍처 관련 강사로도 활발히 활동하고 있습니다.
저자는 '대한민국 DA 공모대전' 입상경력과 DAP(Data Architecture Professional) 자격을 통해 데이터 관리
분야에서 인정받고 있으며, 이를 기반으로 AI와 데이터 융합 기술의 잠재력을 널리 알리는 데 힘쓰고 있습니다.