- 주문상품수량
- 개
- 예상적립금
P - 상품할인금
- 원
- 배송료
- 원
- 주문합계
- 원
네비게이션 실시간 인기 책
베스트
벡터 데이터베이스 SQLite, PostgreSQL로 직접 만드는 시맨틱 검색과 RAG
원제 : Vector Databases
- 니틴 보르완카르 저
- 정영균 역
- 한빛미디어
- 2026년 08월 30일
-
정가28,000원
-
판매가25,200원 [10% 할인]
-
결제 혜택무이자
카드할인/포인트결제 안내
제휴카드
반디앤루니스 롯데카드 결제금액 최대 25% 청구할인 (1만원 이상 결제건에 한해 월 2회, 건당 최대 1만원 할인) 반디앤루니스 우리V카드 결제금액 10% 청구할인 포인트결제
OK캐쉬백 포인트 최소 10원부터 전액 사용 or 1% 적립 현대카드 M포인트 결제금액의 최대 10% 사용 가능 신한카드 포인트 결제금액의 최대 10% 사용 가능(일부카드) 하나(구.외환) 포인트 보유 한도 내에서 100% 사용 가능 씨티카드 포인트 결제금액의 최대 50% 사용 가능 할인카드
NH농협 TAKE5카드 20% 청구할인(Edu Pack) 채움 플래티늄 멀티카드 20% 청구할인 모바일 Tmoney 신한카드 10% 청구할인 신한카드 Shopping 10% 청구할인 NH농협 체크카드 10% 청구할인 NH20 해봄 신용카드 10% 청구할인 씨티 클리어 카드 7% 청구할인 NH20 해봄 체크카드 5% 청구할인 NH농협 LADY다솜카드 5% 청구할인 신한카드 큐브 5% 청구할인 신한카드 큐브 PLATINUM# 5% 청구할인 
무이자 안내
-
적립금1,400원 적립 [5%P]
추가 적립금 안내
[2천원 추가 적립]
총 주문금액 5만원 이상 구매 시 2,000원 추가 적립
도서(eBook포함)만 구매 시 적립 대상에서 제외업채배송상품 포함(기프트, 업체배송 등) 5만원[멤버십 추가 적립]
슈퍼루니 : 3% 추가 적립
골드루니 : 2% 추가 적립
실버루니 : 1% 추가 적립
단, 국내도서, eBook만 구매 시 적립 불가
-
배송료무료배송
-
출고예정일
출고예정일 안내
※ 출고예정일은 도서 재고상황에 따라 변동될 수 있습니다.
2026년 09월 14일(월)※ 출고예정일은 도서 재고상황에 따라 변동될 수 있습니다.
당일배송 가능지역 검색
“도로명주소”를 쉽게 찾아보세요
1. 도로명으로 검색하기 (예, “직지길” or “직지길+322”)
2. 건물명으로 검색하기 (예, “반디앤루니스빌딩”)
3. 동(읍/면/리) 으로 검색 (예, “인사동” or “인사동+43”)
4. 도로명주소를 모르실 경우 도로명주소 안내시스템(http://www.juso.go.kr)에서 확인해주세요.
시/도
시/군/구
회원리뷰
ISBN: 9791175790940
368쪽
699g
183 x 235 (㎜)
지금 이책은
- 판매지수 : 0
- 주간 컴퓨터/IT: 49위
이 분야의 베스트셀러
-
DB설계 입문자를 위한 데이터베이스 설계 및 구축 [개정2판]
오세종
20,000원
-
데이터가 보인다
히라이 아키오, 오카야스 유이치
20,000원
-
오라클 ACE가 해설하는 NEW SQL&PL/SQL
주종면
20,700원
이 책이 속한 분야
책 소개
이 책은
헛소리하는 AI, 범인은 따로 있다.
응답의 퀄리티를 바꾸는 벡터 데이터베이스.
분명 문서 안에 있는 내용인데 AI는 모른다고 답합니다. 모델 탓일까요? 같은 LLM이라도 필요한 정보를 얼마나 정확히 찾아 전달하느냐에 따라 답변의 품질이 달라집니다. 텍스트, 이미지, 오디오처럼 형태가 다른 데이터도 벡터로 표현하면 키워드가 일치하지 않아도 의미가 비슷한 정보를 찾아낼 수 있습니다. 그렇다면 벡터는 어떻게 만들어지고, 저장되고, 검색될까요?
이 책은 임베딩과 유사도 검색, 인덱스, RAG까지 벡터 데이터베이스의 핵심 개념을 직접 코드로 구현하며 익히는 책입니다. 어려운 이론부터 파고들거나 복잡한 인프라를 먼저 구축할 필요는 없습니다. 익숙한 SQLite3와 PostgreSQL에 벡터 검색 기능을 더하고, 시맨틱 검색을 거쳐 실제로 작동하는 RAG 시스템까지 확장해 봅니다. FAISS와 pgvector, Ollama를 활용해 모든 과정을 직접 따라 할 수 있습니다. 코드를 하나씩 실행하다 보면 벡터 검색이 어떻게 작동하는지, 검색 결과가 LLM의 답변을 어떻게 바꾸는지 자연스럽게 손에 잡힐 겁니다.
● SQLite3, PostgreSQL 등 익숙한 SQL 데이터베이스에 벡터 검색 기능을 더하는 실전 방법
● 로컬 LLM과 벡터 검색을 결합해 개인용부터 실무용까지 RAG 애플리케이션을 구축하는 방법
● 임베딩 생성부터 인덱스 선택과 최적화, 하이브리드 검색까지 실제 문제에 적용하는 방법
● 벡터 검색을 관계형 데이터베이스와 통합하고, 벤더에 종속되지 않는 벡터 쿼리 언어(VQL)로 다루는 방법
응답의 퀄리티를 바꾸는 벡터 데이터베이스.
분명 문서 안에 있는 내용인데 AI는 모른다고 답합니다. 모델 탓일까요? 같은 LLM이라도 필요한 정보를 얼마나 정확히 찾아 전달하느냐에 따라 답변의 품질이 달라집니다. 텍스트, 이미지, 오디오처럼 형태가 다른 데이터도 벡터로 표현하면 키워드가 일치하지 않아도 의미가 비슷한 정보를 찾아낼 수 있습니다. 그렇다면 벡터는 어떻게 만들어지고, 저장되고, 검색될까요?
이 책은 임베딩과 유사도 검색, 인덱스, RAG까지 벡터 데이터베이스의 핵심 개념을 직접 코드로 구현하며 익히는 책입니다. 어려운 이론부터 파고들거나 복잡한 인프라를 먼저 구축할 필요는 없습니다. 익숙한 SQLite3와 PostgreSQL에 벡터 검색 기능을 더하고, 시맨틱 검색을 거쳐 실제로 작동하는 RAG 시스템까지 확장해 봅니다. FAISS와 pgvector, Ollama를 활용해 모든 과정을 직접 따라 할 수 있습니다. 코드를 하나씩 실행하다 보면 벡터 검색이 어떻게 작동하는지, 검색 결과가 LLM의 답변을 어떻게 바꾸는지 자연스럽게 손에 잡힐 겁니다.
● SQLite3, PostgreSQL 등 익숙한 SQL 데이터베이스에 벡터 검색 기능을 더하는 실전 방법
● 로컬 LLM과 벡터 검색을 결합해 개인용부터 실무용까지 RAG 애플리케이션을 구축하는 방법
● 임베딩 생성부터 인덱스 선택과 최적화, 하이브리드 검색까지 실제 문제에 적용하는 방법
● 벡터 검색을 관계형 데이터베이스와 통합하고, 벤더에 종속되지 않는 벡터 쿼리 언어(VQL)로 다루는 방법
출판사 리뷰
AI 애플리케이션의 격차는 데이터에서 벌어진다
ChatGPT 이후 많은 서비스가 AI를 활용하기 시작했습니다. 같은 모델, 비슷한 프롬프트로 만들어도 어떤 서비스는 정확하게 답하고 어떤 서비스는 엉뚱한 답을 내놓습니다. 사용자의 질문과 의미가 통하는 정보를 얼마나 잘 찾아내느냐에서 갈리고, 그 기술의 중심에 벡터 데이터베이스가 있습니다. 임베딩, 유사도 검색, RAG 같은 용어가 더 이상 연구자의 언어가 아니라 현업 개발자의 기본기가 된 이유입니다.
사용법이 아니라 원리를 배우다
시중의 많은 자료는 특정 벡터 DB 제품의 사용법이나 프레임워크 튜토리얼에서 멈춥니다. 따라 하면 일단 돌아가지만, 검색 품질이 떨어지거나 데이터가 늘어 성능이 무너질 때 어디를 손봐야 할지 알기 어렵습니다. 이 책은 반대 방향에서 출발합니다. 임베딩이 어떻게 만들어지는지, 유사도는 어떻게 계산하는지, 인덱스는 왜 필요한지를 코드로 직접 구현하며 확인합니다. 특정 벤더에 종속되지 않는 벡터 쿼리 언어(VQL)로 벡터 검색을 다루는 관점까지 익히면 어느 도구에나 적용할 수 있게 될 겁니다.
가벼운 실습 환경으로 끝까지 완주한다
실습의 장벽도 낮췄습니다. 유료 클라우드나 대규모 인프라 없이 SQLite3, PostgreSQL, FAISS, pgvector, Ollama처럼 무료로 쓸 수 있는 도구만으로 전 과정을 로컬 환경에서 진행합니다. 익숙한 SQL 데이터베이스에 벡터 검색을 더하는 작은 실습에서 시작해 시맨틱 검색과 하이브리드 검색을 거쳐, 문서에 근거해 답하는 RAG 시스템을 완성하기까지 단계적으로 나아갑니다.
저자 소개
엔터프라이즈 데이터 솔루션 개발 및 구현 경험을 갖춘 베테랑 데이터 과학자이자 데이터베이스 전문가입니다. 30년이 넘는 경력을 쌓으며 데이터 과학 교육에 힘쓰고, 데이터 과학 분야에서 오픈 소스 도구 활용 확산에 기여하고, 오픈 소스 머신러닝 교육과정 개발에 기여했습니다.실용적인 데이터 활용 관점에서 AI와 LLM을 살펴보고 있습니다.
역자 소개
삼성SDI, LG CNS, SK C&C, 알티베이스를 거쳐 현재 한국오라클에서 13년째 AI, 클라우드, 데이터베이스 분야의 컨설팅을 수행하고 있습니다. 공저로 『바로 쓰는 오라클 클라우드』가 있으며, 이 책은 문화체육관광부가 주최한 2024년 세종도서 학술부문 추천도서로 선정되었습니다. 엔터프라이즈 환경에서 AI를 활용해 고객의 비즈니스 혁신을 지원하는 데 깊은 관심을 두고 지속적으로 노력하고 있습니다.
목차
CHAPTER 1 벡터 데이터베이스 소개
1.1 벡터 데이터베이스의 필요성
1.2 SQL과 벡터 데이터베이스
1.3 NoSQL과 벡터 데이터베이스 비교
1.4 하이브리드 접근 방식: 정형 데이터와 벡터 데이터의 결합
1.5 결론
CHAPTER 2 임베딩
2.1 벡터 임베딩의 필요성
2.2 Word2Vec: 모든 것을 바꾼 혁신
2.3 Doc2Vec: 단어에서 문서로
2.4 임베딩에서 현대 언어 모델까지: 트랜스포머와의 연결
2.5 임베딩 모델: 특화된 벡터 생성기
2.6 임베딩 계층: 제로샷 학습으로 향하는 관문
2.7 Word2Vec을 활용한 벡터 연산: 실습 가이드
2.8 결론
CHAPTER 3 FAISS를 활용한 유사도 검색
3.1 벡터 검색의 기초
3.2 FAISS 인덱스
3.3 양자화
3.4 ANN 문제
3.5 HNSW 인덱스 이해하기
3.6 FAISS 아키텍처와 구성 요소
3.7 결론
CHAPTER 4 SQLite3를 활용한 의미 기반 검색
4.1 SQLite 벡터 유사도 검색 확장 이해하기
4.2 개발 환경 설정
4.3 데이터베이스 스키마 설계
4.4 캐글 레딧 댓글 데이터셋에서 로컬 지식 베이스용 레코드 추출
4.5 콘텐츠 추출 및 전처리
4.6 임베딩 생성 및 저장
4.7 벡터 인덱스 구축
4.8 의미 기반 검색 구현
4.9 종합 정리
4.10 확장: 증분 인덱싱
4.11 결론
CHAPTER 5 PostgreSQL pgvector로 arXiv 논문 검색 시스템 구축하기
5.1 과학 문헌 검색의 과제
5.2 아키텍처 개요
5.3 환경 설정과 의존성
5.4 과학 논문용 데이터베이스 설계
5.5 arXiv 통합과 PDF 관리
5.6 PDF 텍스트 추출 및 처리
5.7 임베딩 생성 및 저장
5.8 유사도 검색 구현
5.9 대화형 애플리케이션과 UI
5.10 로컬 배포를 위한 도커 패키징
5.11 기본 성능 튜닝
5.12 개선 방안
5.13 구현 성과와 확장 가능성
5.14 결론
CHAPTER 6 SQLite VSS와 Ollama로 검색 증강 생성 시스템 구축하기
6.1 시스템 아키텍처 개요
6.2 벡터 지원을 포함한 데이터베이스 기반
6.3 텍스트 처리와 임베딩 생성
6.4 하이브리드 검색 구현
6.5 Ollama와 LLM 통합
6.6 RAG 파이프라인
6.7 시연 및 테스트
6.8 다음 단계: 시스템 확장
6.9 결론
CHAPTER 7 PostgreSQL과 pgvector로 과학 논문 RAG 시스템 구축하기
7.1 시스템 목표와 기능
7.2 아키텍처 개요
7.3 pgvector를 활용한 데이터베이스 기반
7.4 임베딩 생성 전략
7.5 arXiv 통합과 PDF 처리
7.6 고급 텍스트 청킹
7.7 임베딩을 활용한 저장 파이프라인
7.8 다중 수준 의미 기반 검색
7.9 RAG 파이프라인 심층 분석
7.10 시연 및 대화형 인터페이스
7.11 다음 단계: 과학 RAG 시스템 확장
7.12 결론
CHAPTER 8 완전한 대화 검색 및 RAG 시스템 구축
8.1 시스템 목표와 기능
8.2 시스템 아키텍처 개요
8.3 만들어 볼 시스템
8.4 대화 저장을 위한 데이터베이스 기반
8.5 대화 가져오기 및 데이터 처리 파이프라인
8.6 효율적인 임베딩 생성과 배치 처리
8.7 대화 이해를 활용한 컨텍스트 검색
8.8 대화 기록을 위한 RAG 통합
8.9 FastAPI로 완성하는 웹 API
8.10 샘플 데이터와 시스템 시연·실행
8.11 결론: 완전한 개인 지식 시스템
CHAPTER 9 벡터 쿼리 언어
9.1 핵심 개념
9.2 벡터 연산
9.3 벡터 함수와 집계
1.1 벡터 데이터베이스의 필요성
1.2 SQL과 벡터 데이터베이스
1.3 NoSQL과 벡터 데이터베이스 비교
1.4 하이브리드 접근 방식: 정형 데이터와 벡터 데이터의 결합
1.5 결론
CHAPTER 2 임베딩
2.1 벡터 임베딩의 필요성
2.2 Word2Vec: 모든 것을 바꾼 혁신
2.3 Doc2Vec: 단어에서 문서로
2.4 임베딩에서 현대 언어 모델까지: 트랜스포머와의 연결
2.5 임베딩 모델: 특화된 벡터 생성기
2.6 임베딩 계층: 제로샷 학습으로 향하는 관문
2.7 Word2Vec을 활용한 벡터 연산: 실습 가이드
2.8 결론
CHAPTER 3 FAISS를 활용한 유사도 검색
3.1 벡터 검색의 기초
3.2 FAISS 인덱스
3.3 양자화
3.4 ANN 문제
3.5 HNSW 인덱스 이해하기
3.6 FAISS 아키텍처와 구성 요소
3.7 결론
CHAPTER 4 SQLite3를 활용한 의미 기반 검색
4.1 SQLite 벡터 유사도 검색 확장 이해하기
4.2 개발 환경 설정
4.3 데이터베이스 스키마 설계
4.4 캐글 레딧 댓글 데이터셋에서 로컬 지식 베이스용 레코드 추출
4.5 콘텐츠 추출 및 전처리
4.6 임베딩 생성 및 저장
4.7 벡터 인덱스 구축
4.8 의미 기반 검색 구현
4.9 종합 정리
4.10 확장: 증분 인덱싱
4.11 결론
CHAPTER 5 PostgreSQL pgvector로 arXiv 논문 검색 시스템 구축하기
5.1 과학 문헌 검색의 과제
5.2 아키텍처 개요
5.3 환경 설정과 의존성
5.4 과학 논문용 데이터베이스 설계
5.5 arXiv 통합과 PDF 관리
5.6 PDF 텍스트 추출 및 처리
5.7 임베딩 생성 및 저장
5.8 유사도 검색 구현
5.9 대화형 애플리케이션과 UI
5.10 로컬 배포를 위한 도커 패키징
5.11 기본 성능 튜닝
5.12 개선 방안
5.13 구현 성과와 확장 가능성
5.14 결론
CHAPTER 6 SQLite VSS와 Ollama로 검색 증강 생성 시스템 구축하기
6.1 시스템 아키텍처 개요
6.2 벡터 지원을 포함한 데이터베이스 기반
6.3 텍스트 처리와 임베딩 생성
6.4 하이브리드 검색 구현
6.5 Ollama와 LLM 통합
6.6 RAG 파이프라인
6.7 시연 및 테스트
6.8 다음 단계: 시스템 확장
6.9 결론
CHAPTER 7 PostgreSQL과 pgvector로 과학 논문 RAG 시스템 구축하기
7.1 시스템 목표와 기능
7.2 아키텍처 개요
7.3 pgvector를 활용한 데이터베이스 기반
7.4 임베딩 생성 전략
7.5 arXiv 통합과 PDF 처리
7.6 고급 텍스트 청킹
7.7 임베딩을 활용한 저장 파이프라인
7.8 다중 수준 의미 기반 검색
7.9 RAG 파이프라인 심층 분석
7.10 시연 및 대화형 인터페이스
7.11 다음 단계: 과학 RAG 시스템 확장
7.12 결론
CHAPTER 8 완전한 대화 검색 및 RAG 시스템 구축
8.1 시스템 목표와 기능
8.2 시스템 아키텍처 개요
8.3 만들어 볼 시스템
8.4 대화 저장을 위한 데이터베이스 기반
8.5 대화 가져오기 및 데이터 처리 파이프라인
8.6 효율적인 임베딩 생성과 배치 처리
8.7 대화 이해를 활용한 컨텍스트 검색
8.8 대화 기록을 위한 RAG 통합
8.9 FastAPI로 완성하는 웹 API
8.10 샘플 데이터와 시스템 시연·실행
8.11 결론: 완전한 개인 지식 시스템
CHAPTER 9 벡터 쿼리 언어
9.1 핵심 개념
9.2 벡터 연산
9.3 벡터 함수와 집계
배송 시 유의사항
- 반디앤루니스에서 구매하신 도서는 물류 대행 위탁업체 웅진 북센을 통해 배송됩니다.
(배송 포장에 "웅진 북센"으로 표기될 수 있습니다.)
- 구매한 상품의 품질과 배송 관련 문의는 반디앤루니스로 문의 바랍니다.
- 천재지변 및 택배사의 사정에 따라 배송이 지연될 수 있습니다.
- 결제(입금) 완료 후 출판사 및 유통사의 사정으로 품절 또는 절판 되어 상품 구입이 어려울 수 있습니다. (별도 안내 예정)
- 도서산간지역의 경우 추가 배송비가 발생될 수 있습니다.
반품/교환
상품 설명에 반품/ 교환 관련한 안내가 있는 경우 그 내용을 우선으로 합니다. (업체 사정에 따라 달라질 수 있습니다)
반품/교환
-
반품/교환 반품/교환 방법 홈 > 고객센터 > 자주찾는질문 “반품/교환/환불” 안내 참고 또는 1:1상담게시판 반품/교환 가능 기간 반품,교환은 배송완료 후 7일 이내, 상품의 결함 및 계약내용과 다를 경우 문제발견 후 30일 이내에 신청가능 반품/교환 비용 변심 혹은 구매착오의 경우에만 반송료 고객 부담(별도 지정 택배사 없음) 반품/교환 불가 사유 - 소비자의 책임 사유로 상품 등이 손실 또는 훼손된 경우
- 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우
- 복제가 가능한 상품 등의 포장을 훼손한 경우 : 예)만화책, 잡지, 화보집 등
- 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우
- 전자상거래등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
- 해외주문 상품(해외 원서)의 경우(파본/훼손/오발송 상품을 제외)
소비자 피해보상
환불지연에 따른 배상- 상품의 불량에 의한 반품, 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은
소비자 분쟁해결 기준(공정거래위원회고시)에 준하여 처리됨 - 대금 환불 및 환불지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의
소비자 보호에 관한 법률에 따라 처리함
반품/교환 주소 경기도 파주시 문발로 77, 웅진북센(반디앤루니스)
