Relációs adatbázisoktól a NoSQL-en át a vektor adatbázisokig

• Miért van szükség adatbázisokra?
• Adat vs. információ
• Strukturált, félstrukturált és strukturálatlan adatok

• Történet:
  • Edgar F. Codd (1970) – relációs modell
  • SQL szabványosítása (1970-es, 1980-as évek)
• Jellemzők:
  • Táblák (sorok és oszlopok)
  • Szigorú séma (schema-on-write)
  • ACID tranzakciók: Atomicity, Consistency, Isolation, Durability
• Példák: MySQL, PostgreSQL, Oracle, Microsoft SQL Server
• Előnyök: Adatintegritás, stabilitás
• Hátrányok: Skálázási nehézségek, strukturálatlan adatok kezelése nehézkes

• Megjelenés oka:
  • Big Data, Web 2.0, gyorsan változó struktúrák
  • Horizontális skálázás igénye
• Típusai:
  • Dokumentum-orientált (pl. MongoDB)
  • Kulcs-érték tárolók (pl. Redis, DynamoDB)
  • Oszlop-orientált (pl. Cassandra)
  • Gráf adatbázisok (pl. Neo4j)
• Jellemzők:
  • Séma nélküli (schema-on-read)
  • BASE modell: Basically Available, Soft state, Eventually consistent
  • Nagy teljesítmény, skálázhatóság

• Cél: Relációs modell + NoSQL skálázhatóság
• Jellemzők:
  • ACID + elosztott tranzakciók
• Példák:
  • Google Spanner
  • CockroachDB
  • VoltDB

• Motiváció:
  • Gépi tanulás, jelentés szerinti keresés
  • Embeddingek (szövegek, képek, hangok reprezentációja)
• Működés:
  • Objektum → Vektor (embedding)
  • Közelségi keresés: k-nn (legközelebbi szomszédok)
• Példák:
  • FAISS (Facebook)
  • Milvus
  • Weaviate
  • Pinecone
  • Chroma (LLM-es RAG rendszerekhez)
• Alkalmazások:
  • Dokumentumkeresés (RAG)
  • Képkeresés
  • Ajánlórendszerek

• Multimodális adatbázisok (szöveg + kép + struktúrált adatok)
• Hybrid keresés: SQL + vektoros keresés együtt
• AI-native rendszerek: LLM + adatbázis integráció (pl. LangChain)

• SQL lekérdezés vs. MongoDB lekérdezés
• Szöveg → embedding → hasonló dokumentumok keresése vektor alapján