모듈 Gen-3: Vector DB (16h)

학습 결과

학생은 임베딩 기반 유사도 검색을 이해하고, Vector DB를 활용하여 대규모 문서에서 관련 정보를 효율적으로 검색할 수 있다.

선행 학습

• Module Gen-1: Transformer 임베딩 개념
• Module Gen-2: 임베딩 미세조정

ABCD 학습목표 & Bloom 수준

#	ABCD 학습목표	Bloom 수준	관련 sources	평가 방법
Gen-3-1	Behavior: Sentence Transformer·OpenAI Embedding 등 임베딩 모델을 비교하고 / Condition: 같은 쿼리·문서 세트에서 / Degree: 각 모델의 임베딩 품질(코사인 유사도 기준)을 정량 평가	Analyze	sentence-transformers-sbert, vector-database-comparison	모델 비교 분석
Gen-3-2	Behavior: Pinecone/Weaviate/Qdrant 중 하나를 선택하여 Vector DB를 구성하고 / Condition: 100만+ 임베딩 저장·검색 / Degree: 쿼리 응답 시간 100ms 이내 달성	Apply	pinecone-vector-database, pinecone-rag-implementation	검색 성능 검증

📚 사용 Sources (권장 읽기 순서)

순서	Sources	학습목표	예상 학습 시간	비고
1️⃣	sentence-transformers-sbert	Gen-3-1	1.5h	기초: SBERT 구조, Semantic Search, Cross-Encoder
2️⃣	vector-database-comparison	Gen-3-1	1.5h	비교: Pinecone·Weaviate·Qdrant·FAISS·Milvus·Chroma 트레이드오프
3️⃣	pinecone-vector-database	Gen-3-2	1.5h	구축: HNSW·PQ 알고리즘, 메타데이터 필터링, 샤딩
4️⃣	pinecone-rag-implementation	Gen-3-2	1.5h	최적화: 청킹 전략, 하이브리드 검색, Agentic RAG 고도화
	학습 시간 합계	Gen-3-1~Gen-3-2	~6h	강의 16h 중 이론·실습 학습 부분

강의 자료 출처

• sentence-transformers-sbert — SBERT 구조·학습·활용, 의미론적 검색, 멀티모달 (학습목표 Gen-3-1)
• vector-database-comparison — 6개 Vector DB 플랫폼 비교 및 사용사례별 추천 (학습목표 Gen-3-1)
• pinecone-vector-database — Vector DB 기초 이론, HNSW/LSH/PQ 알고리즘, 프로덕션 구성 (학습목표 Gen-3-2)
• pinecone-rag-implementation — RAG 청킹 전략, 하이브리드 검색, 검색 성능 최적화 (학습목표 Gen-3-2)

역링크

⬅️ lecture-planning-2026에서 참조