# ベクトルデータベースとは

文章などを数値の列として保存し、その類似度から関連する資料を検索するデータベースです。PostgreSQLの拡張や検索サービスでも実現できるため、まず既存基盤を実際の質問で評価し、検索品質か応答時間が要件を満たさない場合に専用製品を選定します。

## ベクトルデータベースとは

ベクトルデータベースは文章や画像などを数値の列であるベクトルとして保存し、その類似度で検索するデータベースです[^vector-overview]。文章の検索ではエンベディングで資料と質問をそれぞれ数値に変換し、類似する資料を抽出します[^vector-overview]。

たとえば社内の出張精算に関する検索で、立替分の精算方法という質問から旅費規程の該当箇所を検索候補にします。目的は検索語と資料内の表現が異なる場合にも、意味の類似から関連資料を抽出することです[^hybrid-search]。

PostgreSQLの拡張機能であるpgvectorでも、ベクトルを保存・検索できます[^pgvector]。

検索した資料を生成AIの回答に利用するRAG（Retrieval-Augmented Generation）では、資料を検索する部分を担います[^vector-overview]。

![社内の資料と利用者の質問をそれぞれ数値に変換し、資料のベクトルと質問のベクトルをベクトルデータベースで比較して類似する資料を抽出する流れを示す図](https://media.marketing.kdotdev-tunnel.org/glossary-vector-database-7034e71fdd69068bfe65af0de2d3562c66e84c23d70389923e3cd3ed314b08bf.png)

## 社内文書の検索はキーワード検索で十分か

型番や規程番号の一致で目的の資料を特定できる業務には、キーワード検索を優先します。質問と資料の表現が異なり、必要な資料が検索結果から欠落する業務では、ベクトル検索を併用します[^hybrid-search]。

![別の表現の質問ではキーワード検索で欠落する場合があり、ベクトル検索は意味で候補にする。型番や規程番号はキーワード検索が一致で特定し、ベクトル検索は一致を保証しないことを対比した図](https://media.marketing.kdotdev-tunnel.org/glossary-vector-database-31fb057303693b329ff382c74112a9fab75f40a90d823e8fe6d6fa33a678c347.png)

単語の一致を重視する検索では、正式な用語に不慣れな利用者が別の表現で検索し、必要な資料を取得できないことがあります。ベクトル検索は意味の類似から候補を抽出できるため、表現の違いを補完できます[^hybrid-search]。

ただし、ベクトル検索は意味の近さを測定するもので、番号や数値の一致を保証しません。型番が類似した別製品の資料では、必要な仕様を確認できません。型番などの正確な一致を含む検索には、キーワード検索とベクトル検索を併用するハイブリッド検索を利用します[^hybrid-search]。

検索順位は内容の正確性や更新日の保証でもありません。改定後の規程だけを検索対象とし、旧版は除外します。

## 既存のデータベースで十分か専用製品が必要か

既存のデータベースや検索サービスで要件を充足できるなら、専用製品を追加する必要はありません。

既存の検索サービスにベクトル検索の機能を追加する構成も選択肢です[^vector-overview]。

| 選択肢 | 検討する条件 | 比較に含める負担 |
|---|---|---|
| 既存データベースの拡張 | 業務データと検索用データを同じ基盤で管理したい | 同じ基盤で処理資源を共有するため、ベクトルの登録と検索による既存業務の応答時間の悪化 |
| 検索サービスのベクトル検索 | キーワード検索との併用を同じ検索基盤で処理したい | 原本からの更新・削除の反映とサービスの利用料 |
| 専用のベクトルデータベース | 検索用の設備を独立して増強したい、または既存基盤では必要な応答時間を充足できない | 別基盤とのベクトル・本文・権限情報の連携、監視、バックアップ、復旧 |

![既存基盤のベクトル検索を評価し、要件の充足に応じて専用製品の追加と選定を判定する図](https://media.marketing.kdotdev-tunnel.org/glossary-vector-database-2675321fb0202b8de14001655dca8d53ee98c4a9e62391aeda974217f317ee0e.png)

専用製品にはデータを複数の設備に分散して処理するものがあります[^qdrant-distributed]。その構成にも設定と運用が必要です[^qdrant-distributed]。専用という名称は検索品質や速度の優位を保証しません。

比較には実際の質問と、その答えが記載された資料の箇所を組にして利用します。資料の分割の単位とエンベディングモデルは、各候補で統一します。分割やモデルが異なると検索結果の差がデータベースの差か変換の差かを区別できないためです。各候補で次を確認します。

- 必要な資料が検索結果の上位に含まれるか
- 利用者の閲覧権限で検索対象を限定した後も必要な資料を抽出できるか
- 同時利用や資料の更新が発生しても業務で許容する時間内に検索できるか
- 規程の改定や削除を業務で許容する時間内に検索へ反映できるか

検索を高速化する近似検索は、すべてのベクトルと比較せずに候補を限定するため、必要な資料の一部が検索結果から欠落する場合があります[^pgvector]。各候補を必要な検索品質を満たす設定に調整した状態で、応答時間と費用を比較します。製品の選択には保存件数、権限による対象の限定、同時利用を含む条件を反映します。

## 導入後も継続する費用と保守

費用の比較には保存容量、検索処理、エンベディングの生成、資料の同期、検索機能を保守する人員を含めます。ベクトルと付随する本文・権限情報の登録・更新・削除は、データベースの操作で実行できますが、原本の変更を反映する処理は別途必要です[^pgvector]。

| 変更や事象 | 継続する作業と負担 |
|---|---|
| 資料の追加・改定・削除 | 変更した文章の変換と登録、旧版の削除、反映の遅延や失敗の確認 |
| 閲覧権限の変更 | 検索対象の権限情報の同期と、利用者ごとの検索結果の確認 |
| エンベディングモデルの変更 | 再変換・再登録の要否の確認と、検索品質の再評価 |
| 利用量の増加や製品の更新 | 容量と応答時間の監視、検索設定の調整、更新後の動作確認 |

![資料の改定には再登録と旧版の削除、権限の変更には権限情報の同期、変換モデルの変更には再変換の要否の確認と再評価、利用量の増加には応答時間の監視が対応することを示す図](https://media.marketing.kdotdev-tunnel.org/glossary-vector-database-0af02eeb98af21ff33cf86afa59f1a7bb0c7033383f569ee9365c7c30e29c5ae.png)


資料と質問の比較には同じエンベディングモデルで生成したベクトルを使用します[^vector-index]。モデルの変更でベクトルの表現が変化すると、保存先が同じ製品でも資料の再変換が必要になります[^vector-index]。製品を移行する費用にはベクトルと資料本文の転送、検索設定の変更、再評価を含めます。

検索結果を閲覧権限のある資料に限定するには、権限に応じた検索の制御が必要です[^security-filter]。マネージドサービスを利用しても、原本の権限変更を検索へ反映する運用は必要です。

外部のエンベディングのAPIを利用すると、資料と質問の内容がその提供者へ送信されます[^embedding-gen]。検索用データの保存先とは別に、変換の送信先も確認します。

検索基盤の保守と、資料や権限の連携を管理する担当者を確保します。

[^vector-overview]: [Vector search in Foundry IQ (Azure AI Search)](https://learn.microsoft.com/en-us/azure/search/vector-search-overview)（Microsoft、2026年11月17日）
[^pgvector]: [pgvector](https://github.com/pgvector/pgvector)（pgvector）
[^hybrid-search]: [Hybrid search using vectors and full-text search in Foundry IQ (Azure AI Search)](https://learn.microsoft.com/en-us/azure/search/hybrid-search-overview)（Microsoft、2026年11月17日）
[^qdrant-distributed]: [Distributed Deployment](https://qdrant.tech/documentation/scaling/distributed_deployment/)（Qdrant）
[^vector-index]: [Create a Vector Index](https://learn.microsoft.com/en-us/azure/search/vector-search-how-to-create-index)（Microsoft、2026年11月9日）
[^security-filter]: [Security filters for trimming results in Foundry IQ (Azure AI Search)](https://learn.microsoft.com/en-us/azure/search/search-security-trimming-for-azure-search)（Microsoft、2026年11月17日）
[^embedding-gen]: [Generate embeddings for vector search](https://learn.microsoft.com/en-us/azure/search/vector-search-how-to-generate-embeddings)（Microsoft）
