AI開発データベース基礎
まずはデータベースについて
データベース（Database）は、データを効率的に保存・管理・利用するための仕組みやシステムを指します。私たちが日常的に使っている多くのアプリやウェブサービスの裏側で、データベースは重要な役割を果たしています。たとえば、SNSの投稿、銀行口座の取引履歴、通販サイトの商品情報などがデータベースに保存されています。
データベースの基本概念
データベースは、データを以下のように管理することを目指します：
- 整理された形式で保存：
データを表やリストなどの形式で管理し、後から簡単に探せるようにする。 - 効率的なアクセスと更新：
必要な情報をすばやく取得したり、新しい情報を追加したり、不要な情報を削除したりする。 - データの安全性と信頼性の確保：
重要なデータが失われたり改ざんされたりしないよう保護する。
データベースの種類
以下では代表的なデータベースの種類を簡単に紹介します。
リレーショナルデータベース（RDB）
データを「表（テーブル）」形式で管理します。
行（レコード）が1つのデータのまとまりを表し、列（フィールド）がデータの属性（名前、年齢など）を表します。
| ID | 名前 | 年齢 |
|---|---|---|
| 1 | 田中太郎 | 25 |
| 2 | 山田花子 | 30 |
利点：データ同士の関係（リレーション）を簡単に扱え、SQLという共通の言語で操作可能です。
主なソフトウェア：MySQL、PostgreSQL、SQLite
グラフデータベース
データ同士の「関係性」を重視して保存・管理するデータベースです。データは ノード（点） と、それをつなぐ エッジ（線） で構成され、ノードがデータの要素、エッジがデータ間の関係を表します。
例えば、SNSで「友達」「フォロー」などの関係を管理する際に適しています。
利点：関係性の検索が速く、複雑なネットワーク構造のデータに対応しやすいです。
代表的なソフトウェア：Neo4j、Amazon Neptune
時系列データベース
データを「時系列（タイムスタンプ）」で管理するデータベースです。時系列データとは、時間の経過とともに記録されるデータで、センサーの出力値や株価の変動、ログ情報などが該当します。
通常のデータベースとは異なり、データの時間軸での分析や保存に特化しています。
| 時刻 | 温度 |
|---|---|
| 2025-01-16 10:00 | 20.5°C |
| 2025-01-16 10:05 | 20.6°C |
| 2025-01-16 10:10 | 20.4°C |
利点：時間軸に基づくクエリが高速で、大量のデータを効率的に処理可能です。
代表的なソフトウェア：InfluxDB
ベクトルデータベース
AIや機械学習モデルから生成される数値ベクトル（特徴量）を保存し、類似性検索 に特化したデータベースです。特に、画像、音声、テキストなどを数値化（エンコーディング）して保存し、そのデータの類似性を計算する際に利用されます。
クエリ: [0.123, 0.456, -0.789, ...]
結果: 類似性が最も高い上位10件を返す。
利点：高速な類似性検索が可能で、大規模なデータセットでの検索に強いです。
代表的なソフトウェア：Milvus、Pinecone
データベース管理システム（DBMS）の役割
データベースを構築・操作・管理するためのソフトウェアを データベース管理システム（DBMS） と呼びます。DBMSの主な役割は以下の通りです：
- データの保存と取得
- 並行処理の管理
- セキュリティ
Pinecone
AI開発においてよく用いられるデータベースは ベクトルデータベース です。これは、ベクトルデータベースがAIモデルで生成される埋め込みデータを高速かつ効率的に検索・管理できることが理由です。
ベクトルデータの代表的な DBMS は Pinecone です。
エンべディングとは
エンベディングは、テキスト、画像、音声などの非構造化データを数値ベクトルに変換するプロセスです。
例：
- 単語「猫」をベクトル [0.1, -0.3, 0.7] として表現
- 画像を特徴ベクトル [0.12, 0.85, -0.47, ...] に変換
エンべディングをする理由は以下のとおりです
- 非構造化データを機械が計算可能な形式（ベクトル）に変換するため
- ベクトル同士の距離や類似度を計算することで、関連性を評価できるようにするため
エンべディングの生成方法
- 自然言語処理（NLP）:
モデル例: Word2Vec、BERT、GPT。
テキストを意味的な関係性を持つベクトルに変換。 - 画像処理:
モデル例: ResNet、VGG。
画像を特徴量ベクトルに変換。 - 音声処理:
モデル例: Wav2Vec。
音声データを時間や周波数の特徴を含むベクトルに変換。
類似性検索（Similarity Search）
類似性検索とは、あるデータに対して最も似ているデータを検索する手法のことです。
一般的なデータベースでは キーワード検索 や 数値比較 による検索が主流ですが、類似性検索では データの特徴（ベクトル）を用いた比較 を行います。
これにより、単純なキーワード一致では見つけられない「意味的に近いデータ」を検索できるのが特徴です。
たとえば：
- 検索エンジン → キーワード検索ではなく「意味が似ている記事」を検索
- 画像検索 → テキストではなく「画像の特徴」に基づいて検索
- 音楽推薦 → 曲名ではなく「音楽の特徴」に基づいたおすすめ
- 対話AI（RAG） → ユーザーの質問に対して「意味が近い回答を検索」
このように、類似性検索は現代のAI技術と非常に密接に結びついています。
類似性の計算方法
ベクトルデータベースでは、データ同士の類似度を計算するために 数学的な距離（または類似度） を測定します。代表的な方法は以下の通りです。
① ユークリッド距離（Euclidean Distance）
最もシンプルな方法で、ベクトル空間上で「直線距離」を測定するものです。
2つのベクトルが近いほど、データも類似しているとみなされます。
例えば：
- 距離が短い → より類似している
- 距離が長い → あまり似ていない
用途：
- 画像検索（ピクセル情報が似ている画像を探す）
- 時系列データの比較（株価の変動パターンなど）
② コサイン類似度（Cosine Similarity）
ベクトル間の「角度」に着目して、類似度を測る方法です。
角度が小さいほど類似度が高い ため、テキストデータなどの比較によく使われます。
例えば：
- 「猫」と「犬」の文章埋め込みベクトルは コサイン類似度が高い（意味が近い）
- 「猫」と「車」のベクトルは コサイン類似度が低い（意味が遠い）
用途：
- 自然言語処理（NLP）での文書検索
- 商品推薦（類似商品の検索）
③ 内積（Dot Product）
単純にベクトルの積をとり、大きいほど類似度が高いとする方法です。
検索が高速であるため、大規模なデータセットで使われることが多いです。
用途：
- レコメンデーションシステム（動画や音楽の推薦）
- 検索エンジン（クエリとの関連性を計算）
活用例
ベクトルデータベースは、以下のような場面で活用されています。
① AIチャットボット（RAG: Retrieval-Augmented Generation）
AIモデルにとって、適切な情報を「検索」することは重要です。
通常のデータベースでは「キーワード一致」が主流ですが、RAG（検索拡張生成）技術では 類似性検索を活用し、意味的に関連する情報を取得 します。
例えば：
- 質問：「AIについて教えて」
- ベクトルデータベースが検索 → 意味的に近い文章を取得
- AIが回答を生成 → 検索結果をもとに回答
これにより、単純なチャットボットよりも より自然で適切な回答が可能 になります。
② 画像・動画検索
従来の検索では「タグ」や「タイトル」が必要でしたが、ベクトルデータベースを使えば、画像や動画の特徴から類似したものを検索 できます。
例えば：
- 検索クエリ：ある人物の写真
- 検索結果：類似した顔の画像を検索（顔認識）
これは、Google画像検索やYouTubeのおすすめ動画などに使われています。
③ レコメンデーションシステム
- SpotifyやNetflixでは ユーザーの視聴履歴をベクトル化 し、類似したコンテンツを推薦
- AmazonなどのECサイトでも 購入履歴をベクトル化 し、似た商品を推薦
これにより、従来の「ルールベース」の推薦よりも よりパーソナライズされたおすすめ が可能になります。
まとめ
データベースは、情報を効率的に保存・管理・活用するための仕組みであり、アプリやサービスの基盤となっています。
主な種類として、リレーショナルデータベース（RDB）、グラフデータベース、時系列データベース、ベクトルデータベース などがあり、それぞれ異なる用途に適しています。
特に ベクトルデータベース は、AI分野での 類似性検索 に特化し、検索エンジン、画像検索、レコメンデーションシステムなどで活用されています。Pinecone などのクラウド型DBが普及し、AI技術の発展を支えています。
今後は、リアルタイムAI検索の高度化、マルチモーダル検索、クラウド型DBの拡大 などが進み、データベース技術の重要性はさらに増していくでしょう。
担当：生駒
Discussion