Uma base de dados vetorial é um sistema de armazenamento especializado, concebido para lidar com vetores de alta dimensionalidade — matrizes numéricas com tipicamente centenas ou milhares de números de vírgula flutuante que os modelos de aprendizagem automática utilizam para representar significado. Palavras, frases, imagens, clipes de áudio e comportamentos de utilizadores podem ser codificados como vetores, e uma base de dados vetorial torna possível armazenar milhares de milhões destes embeddings e encontrar, em milissegundos, as correspondências mais próximas de uma nova consulta.
Como funciona uma base de dados vetorial
Quando um modelo de ML, como um grande modelo de linguagem ou um codificador de visão, produz um embedding, esse vetor é enviado para a base de dados juntamente com uma referência ao item original — um trecho de texto, um ficheiro de imagem, um registo de produto, entre outros. A base de dados constrói um índice utilizando um algoritmo de vizinhos mais próximos aproximados (ANN), como HNSW (Hierarchical Navigable Small World) ou IVF (Inverted File Index), estruturas que sacrificam uma pequena dose de exatidão em troca de consultas muito mais rápidas sobre grandes conjuntos de dados. No momento da pesquisa, a aplicação envia um embedding fresco como consulta, e o índice devolve os k vetores mais relevantes, ordenados por uma métrica de similaridade — geralmente similaridade de cosseno, produto escalar ou distância euclidiana.
Por que é importante
A pesquisa tradicional por palavras-chave não consegue perceber que "companheiro felino" e "gato doméstico" significam quase a mesma coisa, mas os respetivos embeddings ficam próximos no espaço vetorial, pelo que uma base de dados vetorial devolve-os como correspondências mesmo assim. Esta capacidade é o que sustenta a pesquisa semântica moderna, os sistemas de recomendação, a recuperação de imagens e áudio, a deteção de anomalias e a etapa de recuperação na Geração Aumentada por Recuperação (RAG), na qual um LLM é fundamentado em documentos obtidos a partir de um vector store. Sem indexação concebida para o efeito, comparar uma consulta com milhões de vetores um a um seria demasiado lento para tráfego em produção.
Principais tipos e exemplos
- Bases de dados vetoriais dedicadas: motores concebidos de raiz em torno de índices ANN, como Milvus, Qdrant, Weaviate e Pinecone.
- Bibliotecas de pesquisa vetorial: motores leves como FAISS e Annoy, que correm dentro de uma aplicação em vez de como um serviço autónomo.
- Bases de dados híbridas: armazéns convencionais como PostgreSQL (via pgvector), Elasticsearch e MongoDB, que acrescentam indexação vetorial a funcionalidades de documentos ou relacionais já existentes.
- Serviços geridos na cloud: ofertas alojadas dos principais fornecedores de cloud, que integram pesquisa vetorial em plataformas de dados mais amplas.
A escolha entre eles depende, geralmente, da escala, dos requisitos de latência, de saber se os dados convivem com registos estruturados e da carga operacional que a equipa está disposta a assumir. Os sistemas mais fortes da área são avaliados em benchmarks como a leaderboard do ANN-Benchmarks, que compara a revocação face a consultas por segundo em conjuntos de dados representativos.
