벡터 데이터 저장 DB 선정

[chaehun0i]

배경

ESG AI 프로젝트에서는 뉴스, 지속가능경영보고서, 전문기관 문서, 이해관계자 설문 등의 데이터를 기반으로
이슈 / 서브이슈를 분석하고 AI 기반 ESG 분류를 수행할 예정임.
프로젝트 진행 중 다음과 같은 요구사항이 확인됨.

• 문서 임베딩(Embedding) 저장
• 의미 기반 유사도 검색
• ESG 이슈 자동 매핑
• 향후 RAG(Retrieval-Augmented Generation) 확장 가능성
• 대규모 텍스트 데이터 처리
  이에 따라 벡터 데이터를 어떤 DB에 저장할지 결정이 필요했음.

---

검토안

안건 A

MariaDB 사용

• ESG 데이터와 벡터 데이터를 동일 DB에 저장
• 단일 DB 구조 유지
• 운영 단순화 가능

---

안건 B

PostgreSQL + pgvector 사용

• PostgreSQL 기반 벡터 저장
• pgvector 확장 사용
• AI 및 RAG 중심 구조 설계

---

안건 C

별도 Vector DB 사용

예:

• Pinecone
• Weaviate
• Milvus
• Qdrant

전용 벡터 검색 엔진 도입

---

최종 결정

안건 B 채택
PostgreSQL + pgvector 사용

---

결정 사유

1. AI 및 벡터 검색 생태계 호환성이 우수함

PostgreSQL + pgvector는 현재 AI/RAG 시스템에서 가장 널리 사용되는 구조 중 하나임.
다음 기능을 안정적으로 지원 가능함.

• Embedding 저장
• cosine similarity 검색
• semantic search
• nearest neighbor 검색
• RAG 검색 구조

---

2. ESG 프로젝트 특성과 적합함

프로젝트는 단순 키워드 검색보다 아래 기능 비중이 큼.

• ESG 이슈 분류
• 서브이슈 매핑
• 문서 의미 분석
• 유사 기사 탐색
• 전문기관 문서 연결

즉 의미 기반 검색 구조가 중요하기 때문에 벡터 저장 구조가 필요함.

---

3. 향후 RAG 확장 가능성 고려

현재는 챗봇 중심 서비스는 아니지만,
향후 다음 기능으로 확장 가능성이 존재함.

• ESG 질의응답
• 관련 뉴스 추천
• 유사 리스크 탐색
• 보고서 자동 생성
• 전문기관 문서 검색

이를 고려하면 PostgreSQL 기반 벡터 구조를 미리 설계하는 것이 유지보수 측면에서 유리함.

---

4. 운영 복잡도를 낮출 수 있음

전용 Vector DB를 사용할 경우:

• 별도 서버 운영 필요
• 추가 인프라 관리 필요
• 비용 증가 가능성 존재
  반면 PostgreSQL은:
• 기존 RDB 구조 유지 가능
• SQL 기반 관리 가능
• 초기 구축 난이도가 상대적으로 낮음

---

5. 초기 프로젝트 규모에 적합함

현재 프로젝트 규모에서는 PostgreSQL + pgvector만으로도 충분한 성능 확보가 가능하다고 판단함.
전용 Vector DB는 추후 대규모 확장 시 검토 가능함.

---

영향 범위

FE

• 영향 거의 없음

BE

• 임베딩 저장 로직 추가 필요
• pgvector 연동 필요
• 유사도 검색 API 추가 가능성 존재

DB

• PostgreSQL 구축 필요
• pgvector extension 설치 필요

일정

• 초기 벡터 구조 설계 필요
• 이후 AI 기능 확장 용이성 증가

운영

• AI 벡터 데이터 관리 가능
• 향후 RAG 구조 확장 가능

---

담당자

@shell-files/skm

결정일

2026-05-12

[sooah-0208]

확인했습니다.
플렛폼 기본 데이터는 mariaDB에 적재, 벡터 데이터는 PostgreSQL 적재하도록 결정하였습니다.