Een vectordatabase slaat gegevens op als hoogdimensionale numerieke vectoren en haalt records op op basis van gelijkenis in plaats van exacte waarde. In plaats van "zoek de rij waar id = 42" vraag je "zoek de rijen die het meest lijken op deze query". Dat maakt het de standaard opslaglaag voor semantisch zoeken, aanbevelingen en retrieval-augmented generation.
Waarom vectoren en geen rijen
De meeste data die er toe doet in AI-pipelines, tekst, afbeeldingen, audio, heeft geen natuurlijke primaire sleutel om tegen te matchen. Wat je wilt weten is: welke opgeslagen items zijn qua betekenis dicht bij deze nieuwe invoer?
Een embeddingmodel zet elk item om in een vector: een lijst getallen, vaak honderden of duizenden dimensies lang, waarbij de positie in die ruimte semantische betekenis codeert. Twee zinnen die hetzelfde zeggen in andere woorden produceren vectoren die dicht bij elkaar liggen. Twee zinnen met tegengestelde betekenis liggen ver uit elkaar.
Een vectordatabase indexeert die vectoren zodat nearest-neighbour-query's in milliseconden worden uitgevoerd, zelfs over miljoenen of miljarden records.
Hoe similarity search werkt
De meest gebruikte similariteitsmaat is cosinus-similariteit: de hoek tussen twee vectoren. Andere maten zijn dotproduct en Euclidische afstand. Exacte nearest-neighbour-zoekacties over grote datasets zijn rekenkundig duur, dus de meeste systemen gebruiken approximate nearest-neighbour (ANN)-algoritmen. Deze ruilen een kleine, beheersbare hoeveelheid recall in voor grote snelheidswinst. Veelgebruikte indexeringsstrategieën zijn HNSW (Hierarchical Navigable Small World) en IVF (Inverted File Index).
Je kunt vectorgelijkenis doorgaans combineren met conventionele filters: "zoek de tien meest gelijkende documenten, maar alleen uit de data van deze tenant, gepubliceerd na deze datum". Die hybride query is hoe de meeste productiesystemen vectordatabases in de praktijk gebruiken.
Waar vectordatabases in productie voorkomen
- RAG-pipelines. Opgehaalde tekstfragmenten, geselecteerd op semantische gelijkenis met de vraag van de gebruiker, worden als context aan een taalmodel meegegeven. De vectordatabase zorgt ervoor dat het ophalen snel en relevant is. Zie what is RAG voor het volledige beeld.
- Semantisch zoeken. Productcatalogi, kennisbanken voor support, archieven met juridische documenten: overal waar zoeken op trefwoord tekortschiet omdat gebruikers andere bewoordingen gebruiken dan de documenten zelf.
- Aanbevelingen. Gebruikers- en item-embeddings worden opgeslagen; similarity search vindt items die dicht bij staan wat een gebruiker heeft bekeken of gebruikt.
- Deduplicatie en clustering. Bijna-duplicaten opsporen of vergelijkbare items groeperen, zonder dat je een exacte string-match nodig hebt.
Toegewijde systemen versus extensies
Sommige teams gebruiken speciaal gebouwde vectordatabases. Anderen kiezen voor een vectorextensie bovenop een relationele database die ze al draaien. Beide aanpakken worden op schaal in productie gebruikt. De juiste keuze hangt af van queryvolume, latentievereisten, of je sterke transactionele garanties nodig hebt op dezelfde records, en operationele bekendheid. Er is geen universeel antwoord.
De verbinding met het contextvenster
Vector search is deels een oplossing voor de beperkingen van contextvensters. Je kunt geen volledige kennisbank aan een taalmodel meegeven; je haalt de relevante delen op en geeft die mee. Naarmate contextvensters groter worden, verschuift de afweging, maar ophalen blijft sneller en goedkoper dan alles in een prompt stoppen, en het houdt de bron van waarheid buiten het model.
Waar we op testen
Engineers die aan RAG- of semantic search-pipelines werken, moeten weten hoe ze een vectordatabase-API aanroepen. Nog belangrijker is dat ze kunnen beoordelen of retrieval echt werkt: of de gekozen embeddings passen, of de chunkingstrategie de recall beïnvloedt en wanneer een modelgebaseerde aanpak het verkeerde middel is. Onze selectie omvat evaluatieontwerp en het beoordelen van retrievalkwaliteit als onderdeel van de AI engineer-assessment. Alle details staan bij hoe wij selecteren.
Korte antwoorden
Wat is het verschil tussen een vectordatabase en een gewone database?
Een gewone database haalt records op op basis van exacte waarden of bereiken. Een vectordatabase haalt op op basis van gelijkenis: welke opgeslagen vectoren liggen het dichtst bij een queryvector. Ze beantwoorden verschillende vragen en worden vaak samen in hetzelfde systeem gebruikt.
Heb je een aparte vectordatabase nodig, of kan een relationele database het ook aan?
Beide werken in productie. Toegewijde systemen bieden doorgaans betere prestaties bij hoog queryvolume. Relationele extensies zijn operationeel eenvoudiger als je die database al draait. De juiste keuze hangt af van schaal, latentiebehoeften en de bekendheid van het team.
Is een vectordatabase hetzelfde als een RAG-pipeline?
Nee. Een vectordatabase is één component binnen een RAG-pipeline. RAG omvat ook een embeddingmodel, een chunkingstrategie, een taalmodel en een orkestratielaag. De database verzorgt opslag en retrieval; de rest van de pipeline zet samen en gebruikt wat terugkomt.
