قاعدة البيانات المتجهية

قاعدة البيانات المتجهية هي نظام تخزين مُصمّم لتنظيم المعلومات لا حسب الكلمات المفتاحية أو الصفوف والأعمدة، بل حسب المعنى. يُمثَّل كل مستند أو صورة أو جملة بواسطة متجه: قائمة طويلة من الأرقام (تُسمّى التضمين أو embedding) تلتقط دلالته. تخيّل مكتبة ضخمة لم تَعُد الكتب فيها مرتّبة أبجديًا، بل حسب تقارب الأفكار: كل النصوص التي تتحدث عن «الطب» تتجاور، حتى لو لم تشترك في أي كلمة واحدة.

من النص إلى المتجه

يُحوّل نموذج التضمين قطعةً من النص إلى نقطة في فضاء ذي مئات (بل آلاف) الأبعاد. المفهومان المتقاربان دلاليًا يكونان متقاربين هندسيًا. ويُحوَّل استعلام المستخدم بدوره إلى متجه، ثم يُبحث عن أقرب المتجهات إليه.

ويُقاس التقارب غالبًا عبر تشابه جيب التمام (cosine similarity):

$$\text{sim}(\vec{a}, \vec{b}) = \frac{\vec{a} \cdot \vec{b}}{|\vec{a}|\,|\vec{b}|}$$

البحث التقريبي (ANN)

مقارنة استعلام واحد بملايين المتجهات واحدًا تلو الآخر ستكون بطيئة للغاية. لذلك تستخدم قواعد البيانات المتجهية فهارس البحث التقريبي عن أقرب الجيران (ANN)، مثل HNSW أو IVF، التي تضحّي بقليل من الدقّة مقابل سرعة هائلة.

لماذا هي محورية للذكاء الاصطناعي

قواعد البيانات المتجهية هي المحرّك وراء RAG (التوليد المعزَّز بالاسترجاع): قبل الإجابة، يسترجع النموذج اللغوي الكبير المقاطع ذات الصلة من مخزن وثائق لتأسيس إجابته على الحقائق. كما تُشغّل البحث الدلالي والتوصيات والذاكرة طويلة المدى للوكلاء. ومن أمثلتها: Pinecone وWeaviate وMilvus وQdrant، وامتداد pgvector لقاعدة PostgreSQL.

بدون قاعدة بيانات متجهية، لا يعرف النموذج اللغوي سوى ما حفظه؛ ومعها، يعرف أين يبحث.