ベクターデータ（ベクターデータ）
画像・テキスト・音声を多次元数値ベクトルに変換したデータ。AI 検索・類似度比較・レコメンド・RAG（Retrieval-Augmented Generation）の基盤として使われる。
概要
ベクターデータ（Vector Data / Embedding）は、画像・テキスト・音声・動画等の高次元情報を多次元数値ベクトル（通常 384-4096 次元）に変換したデータを指す。意味的に近い情報がベクトル空間上で近接配置されるため、(1) 類似度検索、(2) レコメンド、(3) クラスタリング、(4) RAG（Retrieval-Augmented Generation）、(5) 異常検知の基盤として使われる。2026 年現在、生成 AI ブームと相まって需要が爆発し、Qdrant / Weaviate / Milvus / Pinecone を主要選択肢とする「ベクトル DB」が独立カテゴリとして確立した。
主要なベクトル DB（2026 年）
| 製品 | 形態 | 価格 | 特徴 |
|---|---|---|---|
| Qdrant | OSS / Cloud | 無償 / $0.06/時 | Rust 製、最速級、自作.com も採用 |
| Weaviate | OSS / Cloud | 無償 / $25/月〜 | Go 製、GraphQL API |
| Milvus | OSS / Zilliz Cloud | 無償 / $99/月〜 | C++ 製、大規模スケール |
| Pinecone | SaaS | $50/月〜 | 老舗、サーバレス、エンタープライズ |
| pgvector（PostgreSQL 拡張） | OSS | 無償 | 既存 PG に追加、簡易用途 |
| Chroma | OSS / Cloud | 無償 / Cloud 従量 | LangChain 親和性、軽量 |
| Redis Vector Search | 既存 Redis 拡張 | 既存 Redis ライセンス | キャッシュ + ベクトル統合 |
| Vespa | OSS / Yahoo 由来 | 無償 | 検索特化、複雑 |
主な埋め込みモデル（2026 年）
| モデル | 次元数 | 提供 | 価格 |
|---|---|---|---|
| OpenAI text-embedding-3-large | 3,072 | クラウド API | $0.13/M tokens |
| Cohere Embed v3 | 1,024 | クラウド API | $0.10/M tokens |
| Anthropic Claude Embeddings | 1,024 | クラウド API | $0.10/M tokens |
| Google Gemini Embedding | 768 | クラウド API | $0.025/M tokens |
| Qwen3-Embedding-8B | 4,096 | OSS（LM Studio / Ollama） | 無償（GPU 要） |
| nomic-embed-text | 768 | OSS（Ollama） | 無償 |
| BGE-M3 | 1,024 | OSS（HuggingFace） | 無償 |
| Voyage-large-2 | 1,536 | クラウド API | $0.12/M tokens |
主な使用パターン
RAG（Retrieval-Augmented Generation）
1. ドキュメント → チャンク分割（500-1500 字）
2. 各チャンクを Embedding でベクトル化
3. ベクトル DB に保存
4. ユーザ質問 → Embedding 化 → 類似ベクトル検索（Top-K）
5. 取得したチャンクを LLM プロンプトに挿入
6. LLM が回答生成
類似商品レコメンド
1. 全商品の説明文をベクトル化
2. ユーザが閲覧した商品のベクトルを取得
3. ベクトル DB で類似 Top-N を検索
4. 推奨商品として表示
異常検知
1. 正常なログ / メトリクスをベクトル化
2. ベクトル DB の重心から逸脱したデータを異常判定
3. アラート発火
自作.com（jisaku.com）での実装
- glossary 用語類似: jisaku_glossary_qwen3 コレクション、Qwen3-Embedding-8B（4096 次元）
- 記事類似: jisaku_articles_qwen3 コレクション、累計 8,671 ポイント
- 商品類似: jisaku_products_qwen3 コレクション、商品レコメンド
- 重複チェック: 新規用語追加時に cos < 0.72 で ACCEPT 判定
PC スペック要件（ローカル運用）
- 小規模（~1 万ポイント）: Ryzen 5 7600 / 16 GB RAM / NVMe 1 TB
- 中規模（~100 万ポイント）: Ryzen 7 9700X / 64 GB RAM / NVMe 4 TB
- 大規模（~1000 万ポイント）: Ryzen 9 9950X / 128 GB RAM / NVMe 8 TB
- Embedding 生成 GPU: RTX 4090 24GB（Qwen3-Embedding-8B ローカル実行用）
関連用語との違い
| 用語 | 違い |
|---|---|
| リレーショナル DB | 表形式、ベクトル DB は数値ベクトル空間 |
| グラフ DB | エッジ + ノード、関係性中心 |
| 時系列 DB | 時間軸データ、TimescaleDB / InfluxDB |
| 全文検索 | キーワード一致、ベクトル DB は意味的類似 |
よくある質問
Q1: ベクトル DB と全文検索、どちらを選ぶ？ A: 両方併用が王道。意味的類似（「PCの遅さ」「動作が重い」が同義扱い）→ベクトル、キーワード正確一致（「Ryzen 9 9950X」）→全文検索。Hybrid Search が 2026 年標準。
Q2: Qdrant と Pinecone、選ぶ基準は？ A: コスト / セルフホスト派は Qdrant（OSS、Rust 製で速い）。エンタープライズ / Zero ops 派は Pinecone。両者ベンチでは Qdrant が速度優位、Pinecone はマネージド楽さ優位。
Q3: 個人開発でベクトル DB はどこから始める？ A: Qdrant を Docker で立てる（無料、5 分で起動）+ OpenAI text-embedding-3-small（$0.02/M tokens）の組合せ。月数百円で本格的な RAG が動く。
まとめ
- 多次元数値ベクトル化された 意味検索基盤データ
- 2026 年は Qdrant / Weaviate / Milvus / Pinecone が四強
- RAG の中核、個人 / 企業の AI 活用で必須技術