본문으로 건너뛰기
ReviewRamble

주간 브리프

AI 리뷰를 받은편지함으로.

  • 도구, 모델, MCP 서버, 저장소의 새 리뷰(결론부터)
  • 변경이 있을 때 다시 확인한 가격과 평점
  • 새로 발행된 분석 글

모델, 에이전트, MCP 서버, 그리고 정말 시간을 들일 만한 도구.

일주일에 한 통입니다. 각 브리프의 링크로 구독을 해지할 수 있습니다. 이메일 사용 방식

HNSW

HNSW(hierarchical navigable small world)는 근사 최근접 이웃 검색을 위한 그래프 기반 인덱스입니다. 벡터를 여러 층에 걸쳐 이웃과 연결해, 검색이 가장 가까운 결과 쪽으로 빠르게 건너뛸 수 있게 합니다.

다른 이름: hierarchical navigable small world, HNSW index

작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식

HNSW는 많은 벡터 데이터베이스의 기본 인덱스입니다. Malkov와 Yashunin이 2016년에 처음 게시한 논문에서 설명했으며, 재현율이 높고 질의가 빠르면서 학습 단계가 필요 없어 인기가 있습니다.

작동 방식

각 벡터는 가장 가까운 이웃 일부와 연결된 노드가 됩니다. 그래프에는 여러 층이 있습니다. 맨 아래 층에는 모든 벡터가 있고, 위로 갈수록 무작위로 고른 더 작은 부분집합만 있어서, 맨 위는 성기고 긴 연결로 이루어집니다. 검색은 맨 위에서 시작해 질의 쪽으로 탐욕적으로 이동한 뒤, 한 층 내려가 더 촘촘한 걸음으로 반복하며 맨 아래에 이릅니다. 논문은 검색 비용이 로그 규모로 늘어난다고 보고합니다.

주소를 찾는 일에 비유할 수 있습니다. 먼저 고속도로, 그다음 큰길, 그다음 골목입니다.

보게 될 설정

주요 조절 항목은 각 노드가 유지하는 연결 수(흔히 M), 그래프를 만들 때 탐색 폭(ef_construction), 질의할 때 탐색 폭(ef 또는 ef_search)입니다. 값이 높을수록 재현율이 오르고 메모리나 시간이 더 듭니다. 자신의 데이터에서 검색 지표로 조정하십시오.

한계

HNSW는 그래프와 보통 벡터까지 메모리에 두므로, 규모가 커지면 비용이 많이 듭니다. 항목을 삭제하면 그래프의 연결이 약해질 수 있고, 엄격한 메타데이터 필터링과 함께 쓰면 재현율이 낮아질 수 있습니다. 다른 근사 최근접 이웃 인덱스는 이런 비용을 다르게 맞바꿉니다.

관련 용어

근사 최근접 이웃 검색
근사 최근접 이웃(ANN, approximate nearest neighbor) 검색은 저장된 모든 벡터를 확인하지 않고 질의와 가까운 벡터를 찾는 방법입니다. 정확한 최적의 결과라는 보장을 포기하는 대신, 대규모 컬렉션에서 훨씬 빠르게 검색합니다.
벡터 데이터베이스(Vector database)
벡터 데이터베이스(vector database)는 임베딩을 원본 레코드와 함께 저장하고, 쿼리 벡터에 가장 가까운 저장된 벡터를 찾습니다. 보통 근사 인덱스를 써서 수백만 개 항목에서도 검색이 빠르게 유지됩니다.
벡터 검색(Vector search)
벡터 검색(vector search)은 항목의 임베딩을 쿼리의 임베딩과 비교해 가장 가까운 것을 돌려주는 방식으로 항목을 찾습니다. 그래서 결과가 공통 키워드가 아니라 의미로 일치합니다.
메타데이터 필터링(Metadata filtering)
메타데이터 필터링(metadata filtering)은 날짜, 작성자, 언어, 접근 그룹 같은 저장된 속성이 주어진 조건에 맞는 항목으로 검색을 제한하는 것으로, 벡터 유사도 순위 매기기와 함께 또는 그 전에 적용합니다.
검색 지표(recall@k, nDCG, MRR)
검색 지표(retrieval metrics)는 검색 시스템이 관련 문서를 얼마나 잘 반환하는지 점수로 나타냅니다. Recall@k는 상위 k개에 관련 항목이 얼마나 들어 있는지, nDCG는 관련 항목을 높은 순위에 올렸는지, MRR은 첫 번째 정답이 얼마나 일찍 나오는지를 봅니다.

출처