Hvad er en Vector Database?
En vector database er en specialiseret database, der gemmer og søger i embeddings, altså numeriske repræsentationer af tekst, billeder, lyd eller andre datatyper. I stedet for at finde rækker ved præcise matches, som en traditionel database gør, finder en vector database det, der er mest ligner en forespørgsel betydningsmæssigt.
Det gør vector databaser til fundamentet for moderne AI-arkitekturer, især RAG, hvor en LLM skal hente relevant virksomhedsviden, før den genererer et svar. Uden vector databaser ville enterprise AI i dag være væsentligt mindre præcis og væsentligt mindre nyttig.
Gartner forventer, at 30 procent af alle virksomheder i 2026 kører foundation-modeller sammen med en vector database, op fra 2 procent i 2022. Det er en af de hurtigst voksende komponenter i enterprise-dataplatformen.
Hvordan virker en Vector Database?
En vector database gemmer data som vektorer i et højdimensionelt rum. Typisk har hver vektor mellem 384 og 3072 dimensioner, afhængigt af den embeddings-model, der er brugt. En embeddings-model (fx fra OpenAI, Cohere eller en open source-model) konverterer indhold til tal, så betydningen er indkodet i vektorens placering i rummet. To dokumenter, der handler om det samme, ender tæt på hinanden i dette rum, selvom de bruger helt forskellige ord.
Når en bruger stiller et spørgsmål, konverteres spørgsmålet til den samme type vektor, og databasen finder de k nærmeste naboer ud fra en afstandsmåling (typisk cosinus-lighed). Det kaldes approximate nearest neighbor search, eller ANN, og er grunden til, at en vector database kan søge i milliarder af vektorer på millisekunder.
Under motorhjelmen bruger moderne vector databaser indekseringsalgoritmer som HNSW, IVF eller DiskANN for at accelerere søgningen. Disse strukturer lader systemet undgå at sammenligne forespørgslen med hver eneste vektor i databasen, og i stedet tage genveje gennem rummet uden at miste præcision af betydning.
Udover vektorerne selv gemmer de fleste enterprise vector databaser også metadata på hver post, fx forfatter, dato, kilde og adgangsrettigheder. Det er afgørende, fordi en søgning ofte skal kombineres med filtrering, før resultaterne sendes videre til modellen.
Vil I vide, om en vector database er det rette fundament for jeres AI-projekt? Kontakt Consile for en uforpligtende arkitekturgennemgang.
Vector Database i erhvervslivet
Vector databaser er i dag standardkomponenten i enterprise AI, og de bliver brugt til en håndfuld konkrete use cases, som de fleste virksomheder vil kunne genkende.
Intern vidensbase og RAG: Medarbejdere stiller spørgsmål til virksomhedens egen dokumentation, kontrakter, politikker og rapporter. Vector databasen finder de mest relevante passager, og en LLM genererer et præcist svar med kildehenvisninger. Det er den mest udbredte anvendelse og fundamentet for de fleste enterprise AI-projekter.
Semantisk kundesupport: I stedet for nøgleordssøgning i en FAQ forstår systemet, hvad kunden mener. Et spørgsmål om "min faktura er forsinket" finder artikler om betalingsproblemer, selvom ordet "forsinket" ikke optræder i dokumentationen. Det reducerer eskaleringer og forbedrer første-svar-rate.
Anbefalinger og personalisering: E-handel og medievirksomheder bruger vector databaser til at finde produkter, artikler eller brugere med lignende profiler i realtid, uanset om ligheden er baseret på billede, tekst eller adfærdsdata.
Dublet- og lighedssøgning: Virksomheder finder lignende billeder, kontrakter eller logs, fx til at opdage dobbeltarbejde i sagsbehandling eller til at matche CVer med jobopslag. Også semantisk søgning på tværs af store dokumentsamlinger bygger på samme princip.
Hvad en Vector Database ikke er
En vector database er ikke en erstatning for en traditionel relationel database. Den er et supplement. Strukturerede data som ordrer, kundeoplysninger og finansielle transaktioner bliver stadig gemt bedst i SQL-baserede systemer. Vector databasen kommer ind, når du har brug for semantisk søgning i ustruktureret indhold.
Den er heller ikke det samme som en embeddings-model. Embeddings-modellen laver vektorerne; vector databasen gemmer og søger i dem. Mange virksomheder forveksler de to, og det fører til forkerte arkitekturvalg, hvor man investerer i den ene komponent uden at tænke på den anden.
Endelig er en vector database ikke en magisk løsning på dårlige hallucinationer. Hvis kildedataene er forældede, fejlbehæftede eller dårligt strukturerede, vil RAG-systemet stadig levere forkerte svar. Kvaliteten af det, der kommer ud af en vector database, er en direkte afspejling af det, der er lagt ind i den.
Relaterede termer
Embeddings omdanner tekst, billeder og data til vektorer, som AI kan forstå og sammenligne. Lær hvordan embeddings driver søgning, RAG og anbefalinger.
Semantic search bruger AI til at forstå mening bag søgeord. Lær hvordan teknologien fungerer, og hvorfor den er afgørende for moderne virksomhedssøgning.
Chunking opdeler dokumenter i meningsfulde bidder, så AI-systemer kan søge og svare præcist. Lær hvordan chunking styrker RAG og enterprise AI.
En knowledge base er virksomhedens strukturerede vidensarkiv, som AI-systemer bruger til at finde og levere præcise svar. Forstå opbygning og forretningsværdi.
En retrieval pipeline er kernen i RAG-systemer. Lær hvordan data indekseres, hentes og bruges til at give AI præcise, kildebaserede svar i din virksomhed.
Ofte stillede spørgsmål om Vector Database
Hvad er forskellen på en vector database og en traditionel database?+
En traditionel database finder rækker ved præcise matches, fx "alle kunder i Aarhus". En vector database finder det, der ligner mest, fx "dokumenter der handler om det samme som dette spørgsmål". De to løser forskellige problemer og bruges oftest sammen.
Hvilken vector database skal vi vælge?+
Valget afhænger af jeres skala, jeres drift-præferencer og jeres budget. Pinecone er managed og enkel at komme i gang med. Qdrant og Weaviate giver mere fleksibilitet og kan selv-hostes. Milvus egner sig til meget store datasæt. Consile hjælper med at vælge den rette arkitektur baseret på jeres konkrete behov.
Kan vi bruge vores eksisterende database i stedet?+
Ja, hvis skalaen er mindre. PostgreSQL med pgvector-udvidelsen er et solidt valg for mange mindre og mellemstore projekter. For enterprise-skala med strenge krav til latency og recall er en dedikeret vector database ofte det rette valg.