← Voltar para o Dia 3: Embeddings

Vector Search

O que é

Vector Search, ou busca vetorial, é uma técnica utilizada para encontrar informações semanticamente semelhantes a uma consulta.

Em vez de procurar apenas pelas mesmas palavras presentes na consulta, a busca vetorial transforma a consulta em um embedding e procura, em um conjunto de vetores, aqueles que estão mais próximos dela.

Por isso, uma busca como:

"Como solicitar férias?"

pode encontrar um conteúdo como:

"Os colaboradores devem registrar o período de descanso no sistema interno."

Mesmo que as palavras sejam diferentes, os dois conteúdos podem possuir significados semelhantes.

A Vector Search é, portanto, o mecanismo de busca que conecta os conceitos que estudamos anteriormente:

Embedding
   ↓
Vector Embedding
   ↓
Vector Search
   ↓
Vetores semelhantes

Quando essa busca é realizada sobre um Vector Database, ela se torna uma parte fundamental de arquiteturas como RAG.

---

Como funciona

Imagine um mapa onde cada documento é representado por um ponto.

Documentos semanticamente relacionados ficam próximos uns dos outros:

                  Documentos sobre férias
                         ●
                      ●     ●
                   ●
                                      ●
                              Documentos sobre salários

      ●
  Documentos sobre segurança

Quando o usuário faz uma pergunta, ela também é transformada em um ponto nesse espaço.

Por exemplo:

Pergunta
"Como solicitar férias?"
        ↓
   Embedding
        ↓
       ●

A Vector Search procura os documentos que estão mais próximos desse ponto.

O processo pode ser representado assim:

Pergunta do usuário
        ↓
Embedding Model
        ↓
Vetor da pergunta
        ↓
Vector Search
        ↓
Comparação com vetores armazenados
        ↓
Documentos mais semelhantes

Para determinar quais vetores são mais próximos, podem ser utilizadas diferentes métricas de similaridade, como Cosine Similarity, distância euclidiana ou produto interno.

No caso da Cosine Similarity, por exemplo:

$$
\text{similaridade}(A,B)=\frac{A\cdot B}{|A||B|}
$$

Quanto maior a similaridade, mais próximos os vetores são considerados em termos da métrica utilizada.

Um detalhe importante é que Vector Search não significa simplesmente "comparar todos os vetores um por um". Em bases grandes, isso poderia ser muito lento. Por isso, os sistemas utilizam estruturas e algoritmos especializados para tornar a busca eficiente.

Esse será um ponto importante quando estudarmos conceitos como Approximate Nearest Neighbor (ANN) e HNSW.

---

Um exemplo

Imagine que uma empresa possui milhares de documentos internos.

Entre eles existem:

Documento A:
"Funcionários devem solicitar férias pelo portal corporativo."

Documento B:
"O pagamento do salário é realizado até o quinto dia útil."

Documento C:
"O período de descanso deve ser previamente aprovado pelo gestor."

Esses documentos são transformados em embeddings e armazenados em um Vector Database.

O usuário pergunta:

"Quero saber como marcar minhas férias."

A pergunta passa pelo mesmo modelo de embeddings:

Pergunta
   ↓
Embedding Model
   ↓
Vetor da pergunta

A Vector Search compara esse vetor com os vetores dos documentos.

Um resultado possível seria:

Documento A → similaridade alta
Documento C → similaridade alta
Documento B → similaridade baixa

Os documentos A e C são então recuperados e podem ser enviados para a LLM como contexto:

Pergunta
   ↓
Vector Search
   ↓
Documentos relevantes
   ↓
Contexto
   ↓
LLM
   ↓
Resposta

Esse é justamente um dos mecanismos fundamentais de um sistema RAG.

---

Por que é importante

Vector Search é importante porque permite que sistemas de IA encontrem informações com base no significado, e não apenas na correspondência literal de palavras.

Isso resolve uma limitação importante da busca tradicional.

Considere:

Busca por palavras-chave:

"carro"

Ela pode priorizar documentos que contenham exatamente a palavra "carro".

Já uma busca vetorial pode encontrar conteúdos relacionados a:

automóvel
veículo
transporte particular
meu carro
comprar um veículo

mesmo quando a palavra original não aparece.

Isso torna a Vector Search especialmente útil para:

• RAG
• Busca semântica
• Sistemas de perguntas e respostas
• Busca em documentos
• Sistemas de recomendação
• Recuperação de informações em bases de conhecimento
• Agentes de IA que precisam consultar informações externas

Também é importante diferenciar alguns conceitos que podem parecer iguais:

Semantic Similarity é o conceito de medir o quanto dois conteúdos são semanticamente relacionados.

Cosine Similarity é uma das métricas matemáticas que podem ser utilizadas para comparar os vetores.

Vector Search é o processo de procurar os vetores mais relevantes para uma determinada consulta.

Vector Database é a infraestrutura especializada que pode armazenar esses vetores e realizar esse tipo de consulta.

Podemos visualizar a relação entre eles:

Texto
   ↓
Embedding Model
   ↓
Vector Embedding
   ↓
Vector Database
   ↓
Vector Search
   ↓
Similarity Metric
   ↓
Vetores mais relevantes
   ↓
Contexto
   ↓
LLM

A ideia central é: Vector Search permite transformar uma pergunta em uma busca por significado, encontrando informações semanticamente relacionadas mesmo quando elas utilizam palavras diferentes.

link de compartilhamento