데이터베이스란 무엇인가요?

데이터베이스는 체계적인 데이터 컬렉션을 저장, 관리 및 보호하기 위한 디지털 저장소입니다. 

다양한 유형의 데이터베이스는 다양한 방식으로 데이터를 저장합니다. 예를 들어, 관계형 데이터베이스는 행과 열이 있는 정의된 테이블에 저장하는 반면, 비관계형 데이터베이스는 키-값 쌍 또는 그래프를 포함한 다양한 데이터 구조로 저장할 수 있습니다.

조직에서는 이러한 다양한 종류의 데이터베이스를 사용하여 다양한 유형의 데이터를 관리합니다. 관계형 데이터베이스는 재무 기록과 같은 구조화된 데이터에 적합합니다. 비관계형 데이터베이스는 텍스트 파일, 오디오 및 비디오와 같은 비정형 데이터 유형에 가장 적합합니다. 벡터 데이터베이스는 많은 생성형 AI 애플리케이션에서 사용하는 형식인 벡터 임베딩으로 데이터를 저장합니다.

기업은 고객 거래 및 제품 재고에서 내부 프로세스 및 독점 연구에 이르기까지 모든 것에 대해 종종 페타바이트 또는 수조 비트 단위로 측정되는 대량의 데이터를 소유하고 있습니다. 이러한 데이터는 사용자와 앱이 필요할 때 액세스할 수 있도록 일관된 데이터 아키텍처 로 구성되어야 합니다.  

데이터베이스는 이러한 데이터 아키텍처를 구축하기 위한 기초입니다. 단순히 정보를 저장하는 장소가 아닙니다. 오히려 조직이 중앙에서 데이터를 관리하고, 데이터 무결성 및 보안 표준을 시행하며, 데이터 접근을 용이하게 할 수 있도록 지원합니다. 

조직은 적절한 데이터베이스 시스템을 갖춘 조직은 비즈니스 인텔리전스(BI), 인공지능(AI) 및 기계 학습(ML) 프로젝트를 포함한 주요 비즈니스 이니셔티브에 고품질 데이터 세트를 사용할 수 있습니다.

사람들은 종종 "데이터베이스"라는 용어를 다소 느슨하게 사용하는데, 이는 데이터베이스가 무엇인지, 그리고 무엇이 아닌지에 대해 혼동을 일으킬 수 있습니다. 

데이터베이스는 데이터를 저장하고 관리하기 위한 시스템으로, 데이터가 저장되는 물리적 하드웨어와 데이터에 대한 액세스를 구성하고 제어하는 소프트웨어로 구성됩니다. 

데이터베이스는 웹 사이트, 앱 및 Amazon 및 Google과 같은 플랫폼을 포함한 많은 최신 IT 인프라를 뒷받침합니다. 이러한 서비스는 그 자체로 데이터베이스는 아니지만 제품 재고 또는 검색 결과와 같은 정보를 관리하기 위해 데이터베이스에 의존합니다.

Microsoft Excel은 데이터베이스가 아니라 스프레드시트 응용 프로그램이라는 점도 주목할 가치가 있습니다. Excel 스프레드시트는 관계형 데이터베이스와 마찬가지로 데이터를 행과 열로 구성하지만 해당 스프레드시트는 단일 파일입니다. 그러나 데이터베이스는 다양한 유형의 데이터를 다양한 형식으로 저장할 수 있는 강력한 중앙 관리 시스템이며 고급 쿼리를 지원할 수 있습니다.  

조직은 다양한 유형의 데이터베이스를 사용하여 다양한 유형의 데이터를 관리하고 다양한 애플리케이션을 지원합니다. 가장 일반적인 데이터베이스의 유형은 다음과 같습니다.

• 탐색 데이터베이스
• 관계형 데이터베이스
• 비관계형 데이터베이스 또는 NoSQL 데이터베이스
• 객체 지향 데이터베이스
• 벡터 데이터베이스
• Cloud Databases

탐색 데이터베이스는 연결된 레코드 집합에 데이터를 저장합니다. 사용자는 원하는 데이터에 도달하기 위해 이러한 레코드 사이를 탐색해야 하므로 이름이 지정됩니다.

탐색 데이터베이스의 가장 일반적인 2가지 유형은 계층적 데이터베이스와 네트워크 데이터베이스입니다.

• 계층형 데이터베이스는 상위 레코드와 하위 레코드로 구성된 트리 구조로 데이터를 정렬합니다. 각 하위 레코드에는 하나의 상위 레코드만 있을 수 있지만 상위 레코드에는 여러 하위 레코드가 있을 수 있습니다. 원하는 레코드에 도달하려면 사용자는 트리의 맨 위에서 시작하여 아래로 내려가야 합니다. 

• 네트워크 데이터베이스는 각 하위 레코드가 여러 상위 레코드에 연결될 수 있다는 점을 제외하면 계층형 데이터베이스와 매우 유사하게 작동합니다. 사용자는 여전히 연결된 레코드를 탐색해야 하며, 일반적으로 포인터를 사용하여 원하는 데이터에 도달해야 합니다.

탐색 데이터베이스는 한때 일반적이었지만 데이터베이스 기술의 발전, 특히 관계형 데이터 모델의 발전으로 인해 그 인기가 많이 떨어졌습니다.

관계형 데이터베이스는 데이터를 행과 열로 구성된 형식화된 테이블에 저장합니다. 많은 관계형 데이터베이스가 구조화된 쿼리 언어(SQL)를 사용하여 데이터를 쿼리하고 조작할 수 있도록 지원하기 때문에 "SQL Database"라고도 합니다. (자세한 내용은 '데이터베이스 언어'를 참조하세요.)

관계형 데이터베이스의 각 테이블에는 한 가지 유형의 엔터티에 대한 정보가 포함되어 있습니다. 예를 들어 조직에는 모든 고객에 대한 정보가 포함된 테이블과 각 개별 고객의 구매 내역을 자세히 설명하는 별도의 테이블이 있을 수 있습니다. 

IBM 과학자 Edgar F. Codd는 1970년대에 관계형 모델을 개발했습니다. 이 모델은 데이터 검색 작업을 크게 간소화하여 탐색 모델의 인기를 빠르게 앞질렀습니다. 사용자는 레코드 간에 경로를 지정하는 대신 SQL 문을 사용하여 원하는 데이터의 이름을 지정할 수 있습니다. 데이터베이스는 프로세스 속도를 높이기 위해 전체 테이블 스캔 대신 인덱스를 사용하여 관련 레코드를 검색하는 방법을 파악합니다.

또한 관계형 데이터베이스는 각 데이터 포인트를 한 번만 저장하면 되므로 중복성이 줄어듭니다. 데이터를 복제할 필요 없이 서로 다른 테이블의 데이터를 단일 뷰로 결합할 수 있습니다. 

관계형 데이터베이스는 오늘날 가장 흔한 데이터베이스 중 하나입니다. 금융 거래나 사용자 연락처 정보와 같은 표준 형식의 구조화된 데이터 세트를 관리하는 데 적합합니다.

"NewSQL 데이터베이스"라고 하는 최신 종류의 관계형 데이터베이스는 분산 데이터베이스 아키텍처, 즉 여러 데이터베이스 서버에 데이터를 분산하여 관계형 모델을 확장가능한 것으로 합니다. 

'비관계형 데이터베이스'는 기본적으로 테이블과 같은 엄격한 형식으로 데이터를 저장하지 않는 모든 데이터베이스를 포괄하는 용어입니다. 일반적으로 탐색하는 데 SQL이 필요하지 않기 때문에 'NoSQL 데이터베이스'라고도 합니다.

비관계형 데이터베이스는 관계형 테이블에 잘 맞지 않는 자유 형식 텍스트 및 이미지와 같은 비정형 및 반정형 데이터 유형을 지원하기 위해 생겨났습니다.

비관계형 데이터베이스의 일반적인 유형은 다음과 같습니다.

• 데이터를 '노드'(엔티티를 나타냄)와 '엣지'(엔티티 간의 관계를 나타냄)로 저장하는 그래프 데이터베이스입니다. 그래프 데이터베이스는 소셜 네트워킹 사이트 사용자 간의 연결과 같은 관계를 추적하는 데 자주 사용됩니다. 

• 문서 데이터베이스는 JSON, XML, BSON과 같은 형식을 포함하여 데이터를 문서로 저장합니다. 문서 데이터베이스는 콘텐츠 관리 시스템에서 일반적으로 사용됩니다. 

• 키-값 데이터베이스는 정보를 키-값 쌍으로 저장하며, 여기서 키는 고유 식별자(예: 디지털 쇼핑 카트 ID)이고 값은 데이터 배열(예: 카트의 항목)입니다. 

• 와이드 컬럼 데이터베이스는 관계형 데이터베이스와 마찬가지로 행과 열을 사용합니다. 차이점은 각 행에는 다른 행과 다른 정보를 저장하는 고유한 열 집합이 있을 수 있다는 것입니다. 와이드 컬럼 데이터베이스는 여러 소스에서 데이터를 추출하고 중앙 집중화해야 하는 데이터 웨어하우스를 지원하는 데 자주 사용됩니다.

객체 데이터베이스라고도 하는 객체 지향 데이터베이스는 객체 지향 프로그래밍의 의미에서 데이터를 객체로 저장합니다. 

오브젝트는 기본적으로 정보 및 관련 코드의 묶음입니다. 각 오브젝트는 엔티티를 나타냅니다. 객체는 클래스로 그룹화되며 특성을 설명하는 속성과 해당 동작을 정의하는 메서드를 가지고 있습니다. 

예를 들어, "cat" 클래스의 객체는 "color" 및 "weight" 속성과 "purr" 및 "hunt" 메소드를 가질 수 있습니다.

객체 지향 데이터베이스는 객체 지향 프로그래밍과 함께 1990년대에 인기를 얻었습니다. 객체 지향 언어로 구축된 일부 앱에서는 관계형 데이터베이스가 문제를 일으킬 수 있습니다. 데이터 객체를 테이블로 변환하여 데이터베이스에 저장해야 하기 때문입니다. 객체 지향 데이터베이스를 사용하면 개발자가 이러한 문제를 피할 수 있습니다. 

벡터 데이터베이스는 유사성을 기반으로 클러스터링된 "벡터"라고 하는 숫자 배열로 정보를 저장합니다. 예를 들어, 날씨 모델은 하루 동안의 최저 온도, 평균 온도 및 최고 온도를 벡터 형식(62, 77, 85도)으로 사용할 수 있습니다.

벡터는 단어, 이미지, 비디오 및 오디오와 같은 복잡한 개체를 나타낼 수도 있습니다. 이 고차원 벡터 데이터는 기계 학습, 자연어 처리(NLP) 및 기타 AI 작업에 필수적입니다.    

벡터 데이터베이스는 AI 및 ML 사용 사례에서 흔히 볼 수 있습니다. 예를 들어,대규모 언어 모델(LLM)이 외부 지식 기반에서 사실을 검색할 수 있도록 하는 검색 증강 생성(RAG) 프레임워크의 많은 구현은 벡터 데이터베이스를 사용합니다. 

Cloud Databases는 클라우드에서 호스팅되는 데이터베이스입니다. 관계형, 비관계형 등 모든 종류의 데이터베이스가 Cloud Database가 될 수 있습니다.

Cloud Databases에는 크게 두 가지 유형이 있습니다. 첫 번째이자 가장 기본적인 것은 클라우드에서 실행되는 자체 관리형 데이터베이스 시스템입니다. 두 번째는 서비스형 데이터베이스(DBaaS)입니다.

DBaaS는 사용자가 시스템을 직접 관리하지 않고도 데이터베이스 소프트웨어에 액세스하고 사용할 수 있도록 하는 클라우드 컴퓨팅 서비스입니다. 이름에서 알 수 있듯이 DBaaS 제공업체는 업그레이드, 백업, 데이터베이스 보안 등을 포함한 일련의 데이터베이스 서비스를 제공합니다.

클라우드 데이터베이스는 온프레미스 데이터베이스보다 확장가능한 것입니다. 조직이 더 많은 스토리지 공간이 필요하거나 성능이 저하되기 시작하면 필요에 따라 더 많은 리소스를 가동할 수 있습니다.  

• 다중 모델 데이터베이스는 두 가지 이상의 데이터 유형을 저장할 수 있습니다. 예를 들어 IBM Db2 Cloud Databases는 단일 데이터베이스 인스턴스에서 XML, JSON, 텍스트 및 공간 데이터를 지원할 수 있습니다. 

• 인 메모리 데이터베이스는 장치의 주 메모리 또는 RAM에 정보를 저장합니다. 애플리케이션은 일반적으로 기존 데이터베이스보다 더 빠르게 RAM에서 데이터를 검색할 수 있으므로 인 메모리 데이터베이스는 데이터를 캐시하고 실시간 데이터 처리를 지원하는 데 자주 사용됩니다. 그러나 스토리지 용량이 훨씬 더 제한되며 RAM은 표준 데이터베이스보다 휘발성이 높기 때문에 데이터가 쉽게 손실될 수 있습니다.

데이터베이스가 데이터를 구성하는 유일한 방법은 아니며, 조직은 다양한 이니셔티브를 지원하기 위해 다양한 데이터 저장소를 사용하는 경우가 많습니다.

• 데이터베이스는 주로 자동화된 데이터 캡처, 빠른 쿼리 및 트랜잭션 처리를 위해 구축되었습니다.  

• 데이터 레이크는 방대한 양의 구조화된 원시 데이터와 구조화되지 않은 데이터를 처리하도록 설계된 저비용 저장 환경입니다. 데이터베이스와 달리 데이터 레이크는 일반적으로 데이터를 정리, 검증 또는 정규화하지 않습니다. 일반적으로 이러한 스토리지는 실시간 성능이 덜 중요한 AI 교육 및 빅데이터 분석 같은 활동을 지원하기 위해 방대한 양의 데이터를 보관합니다.

• 데이터웨어하우스는 데이터 분석, 비즈니스 인텔리전스 및 데이터 과학 작업을 지원하기 위해 구축되었습니다. 이는 다양한 데이터베이스에서 데이터를 집계하고, 정리하고, 바로 사용할 수 있도록 준비합니다. 

• 데이터 레이크하우스는 데이터 웨어하우스와 데이터 레이크의 기능을 하나의 데이터 관리 솔루션으로 통합합니다. 레이크하우스는 저비용 스토리지와 고성능 쿼리 엔진, 지능형 메타데이터 거버넌스를 결합한 솔루션입니다. 이를 통해 조직은 대량의 정형 및 비정형 데이터를 저장하고 해당 데이터를 AI, ML 및 분석 작업에 쉽게 사용할 수 있습니다.

크게 보면 데이터베이스 시스템에는 물리적 또는 논리적으로 데이터를 보관하는 데이터 스토리지 시스템과 사용자가 저장된 데이터 세트와 상호 작용할 수 있는 데이터베이스 관리 시스템(DMBS)이라는 두 가지 주요 구성 요소가 있습니다.

또한 데이터베이스 시스템의 구성 요소를 보다 세분화하여 살펴보면 데이터베이스의 작동 원리를 더 잘 이해할 수 있습니다.

데이터베이스는 데이터를 일종의 하드웨어 어딘가에 저장해야 합니다. 즉, 데이터베이스에는 특수 머신이 필요하지 않습니다.

대신 대부분의 데이터베이스 시스템은 컴퓨터, 서버 또는 기타 장치에서 실행되는 데이터베이스 소프트웨어로 구성됩니다. 이 머신은 데이터베이스가 실행되는 물리적 하드웨어를 제공합니다. 소프트웨어는 데이터의 논리적 배열을 처리합니다. 예를 들어, 데이터를 관계형 데이터베이스의 테이블 또는 그래프 데이터베이스의 그래프로 포맷할 수 있습니다. 

데이터베이스와 이를 사용하는 애플리케이션은 동일한 하드웨어에서 실행될 수 있지만, 오늘날 대부분의 데이터베이스 시스템은 앱 서버와 데이터베이스 서버를 분리하는 다중 계층 아키텍처를 사용합니다. 이 방식은 확장성과 안정성이 더 뛰어납니다. 앱 서버와 데이터베이스 서버는 서로 독립적으로 확장할 수 있으며, 한 계층의 중단이 다른 계층에 영향을 미치지 않아도 됩니다. 

데이터 모델은 정보 시스템을 시각적으로 표현한 것입니다. 모델은 데이터베이스 관리자와 디자이너가 추적해야 하는 데이터 유형, 데이터 포인트 간의 관계 및 데이터를 가장 잘 구성하는 방법을 이해하는 데 사용하는 개념적 도구입니다.

데이터 모델은 올바른 데이터베이스 모델, 즉 기술 요구 사항 및 스토리지 형식을 포함하여 데이터베이스 시스템의 실제 구현을 식별하는 데 도움이 됩니다. 예를 들어 앞의 논리적 데이터 모델은 다음과 같은 관계형 데이터베이스를 생성할 수 있습니다. 

데이터베이스 스키마는 데이터베이스 내에서 데이터가 구성되는 방식을 기술적이고 논리적으로 정의합니다. 다른 말로 하면, 데이터 모델을 데이터베이스가 따라야 할 규칙 집합으로 변환합니다. 

예를 들어, 관계형 데이터베이스 스키마는 테이블 이름, 필드, 데이터 유형 및 이러한 항목 간의 관계와 같은 것들을 정의합니다.

스키마는 시각적 차트를 통해 표현되거나, SQL 문 또는 기타 프로그래밍 언어로 작성되거나, 다른 방식으로 정의될 수 있습니다. 이는 해당 스키마 유형과 데이터베이스 시스템에 따라 다릅니다.

모든 관계형 데이터베이스 시스템에는 스키마가 있습니다. 일부 비관계형 데이터베이스에는 스키마가 있고, 일부는 스키마가 없으며, 일부는 허용하지만 필요하지 않습니다. 

데이터베이스 관리 시스템(DBMS)은 데이터베이스 관리자, 사용자 및 앱이 데이터베이스의 데이터와 쉽게 인터페이스할 수 있도록 하는 소프트웨어입니다.  

DBMS 시스템을 통해 사용자는 데이터베이스 형식 지정, 메타데이터 관리, 데이터 세트 쿼리, 데이터 추가, 업데이트 또는 삭제와 같은 주요 데이터 관리 작업을 수행할 수 있습니다.

일부 DBMS는 데이터베이스 액세스 제어를 적용하고 사용자 활동을 기록하는 등 데이터 보안 조치를 시행하는 데 도움을 줍니다. 또한 데이터베이스 성능을 추적할 수도 있습니다.

데이터베이스 자체와 마찬가지로 DBMS도 모델이 다를 수 있습니다. 예를 들어, 관계형 데이터베이스 관리 시스템(RDBMS)은 관계형 데이터베이스용으로 구축되는 반면, 객체 지향 데이터베이스 관리 시스템(OODBMS)은 객체 지향 데이터베이스를 관리합니다.  

몇 가지 일반적인 데이터베이스 관리 시스템은 다음과 같습니다.

• MySQL은 전자상거래 사이트와 기타 웹 앱에 자주 사용되는 오픈 소스 RDBMS입니다.

• PostgreSQL은 확장성과 트랜잭션 안정성에 중점을 둔 것으로 알려져 있습니다.

• Microsoft SQL Server는 Microsoft 네트워크를 사용하는 조직에서 널리 사용되고 있습니다. 

• Oracle Database는 정형 및 비정형 데이터를 모두 관리할 수 있는 멀티모델 DBMS입니다. 

• IBM Db2는 데이터베이스 관리, 웨어하우징, 스토리지 및 실시간 분석과 AI 애플리케이션을 지원하는 기타 기능을 포함하는 클라우드 네이티브 데이터베이스 시스템입니다.  

데이터베이스 언어는 사람들이 데이터베이스와 상호 작용하는 데 사용하는 특수 프로그래밍 언어입니다. 사용자에게 데이터를 가져오거나, 결합하거나, 업데이트하거나, 사용하기 위한 쿼리를 작성하기 위한 구문을 제공합니다. 

가장 일반적인 데이터베이스 언어는 대부분의 관계형 데이터베이스에서 사용하는 SQL(구조적 쿼리 언어)입니다. 1970년대 IBM 과학자들이 개발한 SQL은 데이터베이스 관리자, 개발자 및 데이터 분석가가 데이터 정의, 액세스 제어, 데이터 공유, 데이터 통합 및 분석 쿼리와 같은 작업을 수행할 수 있도록 지원합니다.

다른 데이터베이스 언어로는 객체 지향 데이터베이스와 함께 작동하는 OQL(Object Query Language)과 XML 문서 데이터베이스에서 작동하는 XQuery가 있습니다. 

또한 MongoDB용 MongoDB 쿼리 언어(MQL), Apache Cassandra용 Cassandra 쿼리 언어(CQL)와 같은 데이터베이스별 언어도 있습니다. 

데이터베이스는 관계형 데이터베이스에서 금융 거래를 추적하는 뱅킹 앱부터 벡터 데이터베이스를 사용하여 정확성을 개선하는 AI 어시스턴트에 이르기까지, 오늘날 사람들이 사용하는 많은 기술에서 매우 중요합니다. 데이터베이스는 다음을 지원하는 데 핵심적인 역할을 하기 때문에 매우 일반적으로 사용됩니다.

•  데이터 사용성
•  데이터 무결성
•  데이터 보안 및 규정 준수

오늘날 조직은 엄청난 양의 데이터를 소유하고 있지만 사람들이 해당 데이터를 사용할 수 없다면 큰 의미가 없습니다. 실제로 IBM Data Differentiator 보고서에 따르면 기업 데이터의 68%는 전혀 분석되지 않는다고 합니다. 종종 사람들이 그것이 있다는 것을 모르거나 사일로로 인해 액세스하지 못하기 때문입니다.

데이터베이스는 조직이 데이터 컬렉션을 선별, 저장 및 중앙에서 관리할 수 있는 방법을 제공합니다. 또한 이벤트 및 트랜잭션을 실시간으로 캡처하는 것을 포함하여 데이터 수집 프로세스의 많은 부분을 자동화하는 데 도움이 될 수 있습니다.

조직이 데이터베이스 애플리케이션을 선택, 설계 및 구현하는 방식은 주요 비즈니스 이니셔티브의 성패를 좌우할 수 있습니다. 데이터가 정리되어 쉽게 접근할 수 있게 되면, 이를 바탕으로 의사 결정을 내리고, 비즈니스 인텔리전스를 촉진하고, AI 및 ML 프로젝트를 추진할 수 있습니다.

데이터베이스는 오류, 중복 및 부정확성이 발생하기 쉬운 스프레드시트 및 기타 수동 기록 보관 프로세스에 비해 상당한 이점을 제공할 수 있습니다.

데이터베이스를 중앙에서 관리할 수 있으므로 정리 및 형식 지정 규칙을 적용하고 사용량을 모니터링하며 데이터 리니지를 추적하기가 더 쉬워집니다. 또한 데이터베이스는 시간이 지남에 따라 동기화되지 않을 수 있는 여러 데이터 세트 복사본을 순환할 필요성을 제거합니다. 대신 모든 애플리케이션과 사용자가 동일한 공유 저장소에서 작업할 수 있습니다. 

궁극적으로 데이터베이스는 사람, 앱, API 등 모든 종류의 사용자를 정확하고 신뢰할 수 있는 데이터로 연결하는 데 도움이 될 수 있습니다. 

위치 및 산업에 따라 Organization은 미국 건강 보험 양도 및 책임에 관한 법률(HIPAA) 및 EU 일반 데이터 보호 규정(GDPR)과 같은 데이터 보호 및 데이터 개인 정보 보호 규정을 준수해야 합니다.

법적 요건 외에도 조직은 무단 데이터 액세스를 방지하는 데 비즈니스적 이해관계가 있습니다. IBM 데이터 유출 비용(CODB) 보고서에 따르면 데이터 유출로 인한 비즈니스 손실, 시스템 다운타임, 복구 노력 및 기타 비용으로 평균 488만 달러의 비용이 발생하는 것으로 나타났습니다.

데이터베이스는 역할 기반 액세스 제어(RBAC)와 같은 데이터 보안 조치를 적용하여 올바른 사용자만 올바른 데이터에 액세스할 수 있도록 함으로써 데이터를 보호하고 규정 준수를 유지하는 데 도움이 될 수 있습니다. 

CEO의 75%는 최첨단 생성형 AI를 보유하는 것이 조직의 경쟁 우위를 확보하는 데 결정적인 요소가 될 것이라고 믿습니다. 조직은 이러한 고급 AI를 지원하기 위해 방대한 양의 정형 및 비정형 데이터를 저장, 관리 및 통제할 수 있는 능력이 필요합니다. 조직은 올바른 데이터베이스 시스템이 마련되어 있어야만 이 작업을 수행할 수 있습니다.

다양한 유형의 데이터베이스는 다양한 방식으로 AI 및 ML 작업을 지원할 수 있습니다. 예를 들어, 벡터 데이터베이스는 할루시네이션을 줄이는 데 도움이 되는 RAG 프레임워크를 구현하는 데 일반적으로 사용됩니다. 키-값 데이터베이스는 데이터 검색 및 처리 속도를 높일 수 있습니다. 인메모리 데이터베이스는 캐싱 및 Streaming Analytics를 지원할 수 있습니다.

조직에서 특정 이니셔티브를 위해 선택하는 데이터베이스 유형에는 여러 가지 요인이 영향을 미칠 수 있습니다. 가장 대표적인 것은 다음과 같습니다.

• 데이터 유형: 각 유형의 데이터베이스는 특정 종류의 데이터를 다른 데이터베이스보다 더 잘 처리합니다. 예를 들어 그래프 데이터베이스는 SQL 데이터베이스보다 관계를 매핑하는 데 더 나은 선택인 경우가 많습니다.

• 목적: 또한 다양한 유형의 데이터베이스가 다양한 애플리케이션에 더 적합합니다. 예를 들어, 벡터 데이터베이스는 RAG 프레임워크에 가장 적합한 선택인 경우가 많습니다.  

• 성능 요구 사항: 앱이 실시간으로 지속적으로 데이터를 가져오는 경우 조직에는 쿼리 속도를 최적화하는 데이터베이스가 필요합니다. 그러나 조직에서 데이터를 웨어하우스로 전송하기 전에 데이터를 저장할 장소가 필요한 경우 조직의 성능이 덜 중요할 수 있습니다.

• 가격: 조직이 저장해야 하는 데이터 양, 데이터 형식, 성능 요구 사항 등은 모두 데이터베이스 비용에 영향을 미칠 수 있습니다.

• 확장성: 일부 데이터베이스는 수직으로만 확장할 수 있으므로 기존 서버 또는 컴퓨터에 더 많은 리소스를 추가해야 합니다. 다른 서버는 수평으로 확장할 수 있으며, 이는 분산 방식으로 데이터베이스를 지원하기 위해 더 많은 서버를 추가할 수 있음을 의미합니다.