ในยุคของข้อมูลขนาดใหญ่ (Big Data) ข้อมูลที่เราใช้ในการวิเคราะห์ไม่ได้จำกัดอยู่แค่ตัวเลขหรือข้อความธรรมดา แต่รวมถึงภาพ เสียง และข้อความที่ซับซ้อน ซึ่งจำเป็นต้องถูกแปลงให้อยู่ในรูปแบบทางคณิตศาสตร์ที่เรียกว่า เวกเตอร์ (Vectors) เวกเตอร์ทำหน้าที่เป็นตัวแทนเชิงตัวเลข (Numerical Representation) ของคุณลักษณะเฉพาะ (Features) ของข้อมูลเหล่านั้น ทำให้เราสามารถวัดความคล้ายคลึง (Similarity) หรือระยะห่าง (Distance) ระหว่างข้อมูลสองชุดได้ ซึ่งหลักการนี้คือหัวใจสำคัญของการประมวลผลภาษาธรรมชาติ (NLP) และระบบ AI ยุคใหม่
เวกเตอร์ในบริบทของ PostgreSQL และ Embeddings
เมื่อเราพูดถึงเวกเตอร์ในฐานข้อมูล PostgreSQL เรากำลังพูดถึงการจัดเก็บชุดตัวเลขที่มีมิติสูง (High-Dimensional Array) ซึ่งมักจะมาจากโมเดล AI ที่เรียกว่า Embeddings (การฝังตัว) แทนที่จะมองว่าเวกเตอร์เป็นแนวคิดทางคณิตศาสตร์นามธรรม เรามองว่ามันคือคอลัมน์ข้อมูลประเภท Array หรือใช้ Extension เฉพาะทาง เช่น pgvector เพื่อให้สามารถคำนวณระยะทางทางคณิตศาสตร์ได้โดยตรง
ปริภูมิเวกเตอร์ (Vector Space) ในบริบทของฐานข้อมูล จึงหมายถึงพื้นที่ที่ข้อมูลเวกเตอร์เหล่านี้ถูกจัดเก็บและถูกกำหนดให้สามารถคำนวณความสัมพันธ์เชิงพื้นที่ได้ เช่น การหาเวกเตอร์ที่อยู่ใกล้เคียงกับเวกเตอร์คำค้นหาที่สุด (Nearest Neighbor Search) ซึ่งเป็นหลักการที่สำคัญกว่าการแค่จัดเก็บข้อมูล
การคำนวณความคล้ายคลึง (Similarity Calculation)
การดำเนินการหลักในปริภูมิเวกเตอร์คือการวัดระยะทาง (Distance Metric) หรือความคล้ายคลึง (Similarity Metric) ซึ่งที่นิยมใช้มากที่สุดคือ Cosine Similarity (ความคล้ายคลึงโคไซน์) ซึ่งจะวัดมุมระหว่างเวกเตอร์สองตัว โดยค่าที่ใกล้ 1 หมายถึงเวกเตอร์มีความคล้ายคลึงกันมาก (ชี้ไปในทิศทางเดียวกัน) และค่าที่ใกล้ 0 หมายถึงไม่สัมพันธ์กัน
สมมติว่าเรามีตาราง documents ที่เก็บเวกเตอร์ของข้อความต่างๆ และเราต้องการหาเอกสารที่คล้ายกับเวกเตอร์คำค้นหา (Query Vector) ที่เราป้อนเข้าไป:
SQL
-- สมมติว่ามีการติดตั้ง pgvector extension แล้ว<br>CREATE TABLE documents (id SERIAL PRIMARY KEY, content TEXT, embedding VECTOR(3));<br><br>-- การเพิ่มข้อมูลเวกเตอร์ (ตัวอย่าง 3 มิติ)<br>INSERT INTO documents (content, embedding) VALUES<br>('Apple fruit', '[1, 2, 3]'),<br>('Banana yellow', '[1.1, 2.1, 3.1]'),<br>('Car engine', '[0, 0.1, 0.2]');<br><br>-- การค้นหาเอกสารที่คล้ายกับเวกเตอร์คำค้นหา (Query Vector) ที่เราต้องการ<br>SELECT<br> id, content, embedding, <br> embedding <=> '[1.05, 2.05, 3.05]' AS distance<br>FROM documents<br>ORDER BY distance<br>LIMIT 1;<br>
ในโค้ดตัวอย่างนี้ embedding <=> '[1.05, 2.05, 3.05]' คือการคำนวณระยะทาง (Distance) ระหว่างเวกเตอร์ในคอลัมน์ embedding กับเวกเตอร์คำค้นหา ซึ่ง PostgreSQL จะทำการคำนวณความสัมพันธ์ทางเรขาคณิตในปริภูมิเวกเตอร์ให้เราโดยอัตโนมัติ
บทสรุป: พลังของเวกเตอร์ในงาน Data Science
การเข้าใจแนวคิดของเวกเตอร์และปริภูมิเวกเตอร์ไม่ได้เป็นเพียงทฤษฎีทางคณิตศาสตร์ แต่เป็นเครื่องมือเชิงปฏิบัติที่ทรงพลังในการจัดการข้อมูลในโลกจริง การใช้ PostgreSQL ร่วมกับความสามารถในการคำนวณระยะทางเวกเตอร์ ทำให้เราสามารถสร้างระบบที่สามารถทำความเข้าใจความหมาย (Semantic Search) ของข้อมูลได้ ไม่ใช่แค่การค้นหาด้วยคำหลัก (Keyword Matching) เท่านั้น นี่คือการยกระดับฐานข้อมูลให้กลายเป็นสมองส่วนหนึ่งของระบบ AI ได้อย่างแท้จริง