ベクトル検索ってなに?

ざっくり言うと

近い仲間の話として、ベクトルに変換する技術そのものは Embedding(埋め込み) と呼ばれます。埋め込み = 変換する道具 / ベクトル検索 = それを使った探し方 という関係です。

イメージ

正確には

AWS の解説では、ベクトル検索を 「データを数値ベクトル(高次元の数字の配列)に変換し、ベクトル間の距離や類似度に基づいて関連するデータを検索する手法」 と定義しています。キーワードの完全一致ではなく、意味的な近さ(semantic similarity) で結果を返すのが特徴です。

IBM も同様に、ベクトル検索を「テキスト・画像・音声などを高次元のベクトル空間に埋め込み(embed)、クエリに最も近いベクトルを返す検索方式」として位置づけています。キーワード検索の限界(同義語・言い回しの揺れに弱い)を補う技術 として広く使われている、という整理です。

ベクトル検索の仕組み(ざっくり3ステップ)

公式ドキュメント(AWS / Google Cloud / Microsoft 等)が共通して説明している流れは、おおむね次の3ステップです。

ステップ	やっていること	関連用語
1. ベクトル化	文章・画像などを 埋め込みモデル(Embedding model) で数字の並びに変換	Embedding
2. 保存	大量のベクトルを ベクトルデータベース に格納してインデックス化	Pinecone / Weaviate / Chroma 等
3. 類似検索	質問もベクトル化し、距離が近いベクトル を高速に探して返す	コサイン類似度・ユークリッド距離など

キーワード検索とは何が違うのか

観点	キーワード検索(従来型)	ベクトル検索
一致のしかた	単語の文字列が一致	意味の近さで一致
苦手なこと	同義語・言い換え・誤字	完全一致が必要な品番・ID検索
得意なこと	「東京駅」のような固有名詞	「駅ナカで時間つぶせる場所」
主な用途	検索エンジン・SQL LIKE 検索	RAG・推薦・画像検索・FAQ

なぜ生成AI時代に注目されているのか

ベクトル検索自体は新しい技術ではありませんが、生成AI(特に LLM)と組み合わせる RAG の流行でかなり主役級に押し上げられました。

理由はシンプルで、LLM に「自社の最新情報」を答えさせるには、質問に関係する社内文書を、毎回うまく取り出して渡してあげる必要がある からです。このとき「キーワードが一致した文書」だけでは取りこぼしが多いため、意味で探せるベクトル検索が RAG 構成の有力な選択肢になりました。Pinecone の解説でも、ベクトル検索は「LLM の長期記憶を支えるインフラ」と位置づけられています。

代表的なベクトルデータベース

どんな場面で使う?

注意点

やってみよう

関連用語として、ベクトル化そのものを担う Embedding(埋め込み)、ベクトル検索を組み込んだ仕組みである RAG、検索対象データのまとまりである Knowledge Base(ナレッジベース) もあわせて読むと、全体像がスッと繋がります。