벡터 데이터베이스 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 벡터 데이터베이스는 각 인덱싱된 임베딩과 함께 무엇을 유지해야 합니까?
   • 원본 콘텐츠, 소스 식별자 및 관련 메타데이터
   • 원본 레코드를 삭제하고 수치 벡터만 유지
   • 수집 시점에 계산된 유사도 점수만 유지
   • 기본 항목에 대한 링크가 없는 모델 생성 답변
2. 인덱스는 임베딩 모델 A를 사용하고, 새로운 쿼리 서비스는 동일한 벡터 길이를 가진 모델 B를 사용합니다. 안전한 마이그레이션 계획은 무엇입니까?
   • 차원이 일치하면 호환성이 증명되므로 두 모델의 벡터를 혼합합니다.
   • 거리 임계값만 변경하고 저장된 벡터는 그대로 둡니다.
   • 쿼리를 전환하기 전에 별도로 버전이 지정된 모델 B 인덱스를 구축하고 평가합니다.
   • 원본 문서를 삭제하고 이전 임베딩을 유지합니다.
3. 근사 최근접 이웃 검색은 정확한 검색에 비해 어떤 장단점을 가질 수 있습니까?
   • 검색된 각 레코드가 사실임을 증명합니다.
   • 검색 정확도를 일부 희생하는 대신 속도나 메모리 효율성을 얻을 수 있습니다.
   • 모든 컬렉션에서 더 낮은 지연 시간과 동일한 재현율을 보장합니다.
   • 대표 쿼리에 대한 관련성을 테스트할 필요성을 제거합니다.
4. 검색 결과가 컬렉션에서 가장 작은 수치 벡터 거리를 반환합니다. 이 거리는 무엇을 확립합니까?
   • 원본 문서가 사실로 검증됨
   • 사용자가 문서를 읽을 권한이 있음
   • 결과가 답변 정확도에 대한 보정된 확률임
   • 선택된 표현 및 거리 함수 하에서의 상대적 근접성만
5. 원본 컬렉션에서 문서가 제거되었습니다. 인덱스 워크플로우는 무엇을 방지해야 합니까?
   • 문서가 나중에 다시 돌아올 경우 메타데이터를 재계산하는 것
   • 제거된 문서가 이전 임베딩을 통해 계속 검색되는 것
   • 새 문서가 다른 소스 식별자를 받는 것
   • 요청 시점에 쿼리 임베딩이 생성되는 것
6. How should metadata filters be used when different users may access different documents?
   • Enforce each requesting user's permitted scope before showing results
   • Use the same broad collection for everyone, then hide the source link
   • Treat a high similarity score as proof of access rights
   • Apply filters only when the user asks for them explicitly
7. A new index makes queries faster but returns less useful passages. Which evaluation was missing?
   • Only a count of vectors stored per shard
   • Only a server latency benchmark on an empty collection
   • Only a check that both models emit numbers
   • Task relevance and retrieval fidelity on representative queries
8. What operational case should a vector-search design test before release?
   • Only a static index with no document updates
   • Only queries from an administrator account
   • Concurrent updates and fallback behavior when the index is unavailable
   • Only the model's embedding dimension printed in a log