cơ sở dữ liệu vectơcơ sở dữ liệu quan hệcơ sở hạ tầng đám mâycơ sở hạ tầng AIso sánh cơ sở dữ liệuquản lý dữ liệu
Cơ sở dữ liệu vector so với cơ sở dữ liệu quan hệ truyền thống
Cơ sở dữ liệu vector chuyên về lưu trữ và tìm kiếm các embedding đa chiều cho các tác vụ trí tuệ nhân tạo và so sánh độ tương đồng, trong khi cơ sở dữ liệu quan hệ truyền thống lại vượt trội trong việc xử lý dữ liệu có cấu trúc với các truy vấn chính xác và giao dịch ACID. Việc lựa chọn giữa chúng phụ thuộc vào việc khối lượng công việc của bạn tập trung vào tìm kiếm ngữ nghĩa hay tính toàn vẹn giao dịch.
Điểm nổi bật
Cơ sở dữ liệu vector tìm kiếm dựa trên sự tương đồng về ngữ nghĩa bằng cách sử dụng các phép nhúng, trong khi cơ sở dữ liệu quan hệ tìm kiếm bằng cách khớp giá trị chính xác bằng cách sử dụng SQL.
Cơ sở dữ liệu quan hệ cung cấp các đảm bảo ACID mạnh mẽ; cơ sở dữ liệu vector thường ưu tiên tốc độ và khả năng truy xuất hơn là tính nhất quán nghiêm ngặt.
Cơ sở dữ liệu vector là nền tảng cho các ứng dụng trí tuệ nhân tạo hiện đại như RAG và các công cụ đề xuất, những lĩnh vực mà cơ sở dữ liệu quan hệ không được thiết kế để đáp ứng.
Hai loại cơ sở dữ liệu này ngày càng bổ sung cho nhau, với nhiều nhóm sử dụng cơ sở dữ liệu quan hệ làm nguồn dữ liệu chính xác và cơ sở dữ liệu vector làm lớp tìm kiếm.
Cơ sở dữ liệu vectơ là gì?
Các hệ thống được thiết kế chuyên dụng để lưu trữ, lập chỉ mục và truy vấn các biểu diễn vector đa chiều phục vụ cho tìm kiếm tương đồng và các ứng dụng trí tuệ nhân tạo.
Cơ sở dữ liệu vector lưu trữ dữ liệu dưới dạng các vector đa chiều (embeddings), thường có số chiều từ hàng trăm đến hàng nghìn.
Họ sử dụng các thuật toán lân cận gần đúng (ANN) như HNSW, IVF và PQ để thực hiện tìm kiếm tương đồng nhanh chóng trên quy mô lớn.
Các lựa chọn mã nguồn mở phổ biến bao gồm Milvus, Weaviate, Qdrant và Chroma, trong khi các dịch vụ quản lý bao gồm Pinecone và Vespa.
Họ xuất sắc trong tìm kiếm ngữ nghĩa, hệ thống đề xuất, truy xuất hình ảnh và tạo nội dung tăng cường truy xuất (RAG) cho LLM.
Hầu hết các cơ sở dữ liệu vector đều hỗ trợ lọc siêu dữ liệu cùng với độ tương đồng vector, cho phép thực hiện các truy vấn kết hợp cả hai phương pháp.
Cơ sở dữ liệu quan hệ truyền thống là gì?
Các hệ thống cơ sở dữ liệu dựa trên bảng, đã hoàn thiện, quản lý dữ liệu có cấu trúc thông qua SQL với độ nhất quán cao và đảm bảo giao dịch.
Cơ sở dữ liệu quan hệ tổ chức dữ liệu thành các bảng với lược đồ được định sẵn và sử dụng SQL làm ngôn ngữ truy vấn tiêu chuẩn.
Chúng đảm bảo các thuộc tính ACID (Tính nguyên tử, Tính nhất quán, Tính cô lập, Tính bền vững) để xử lý giao dịch một cách đáng tin cậy.
Các hệ thống hàng đầu bao gồm PostgreSQL, MySQL, Oracle Database, Microsoft SQL Server và SQLite.
Chúng đã là xương sống của các ứng dụng doanh nghiệp trong hơn bốn thập kỷ, cung cấp năng lượng cho mọi thứ từ ngân hàng đến quản lý kho hàng.
Các cơ sở dữ liệu quan hệ hiện đại ngày càng hỗ trợ JSON, tìm kiếm toàn văn và thậm chí cả các phần mở rộng dạng vector như pgvector để kết nối cả hai thế giới.
Bảng So Sánh
Tính năng
Cơ sở dữ liệu vectơ
Cơ sở dữ liệu quan hệ truyền thống
Mô hình dữ liệu chính
Các vectơ đa chiều (nhúng)
Bảng có hàng và cột
Ngôn ngữ truy vấn
API tìm kiếm tương đồng (k-NN, ANN)
SQL (Ngôn ngữ truy vấn có cấu trúc)
Phương pháp tìm kiếm
Tìm lân cận gần nhất bằng phương pháp HNSW, IVF hoặc PQ.
Tìm kiếm chính xác bằng chỉ mục, phép nối và bộ lọc.
Mô hình nhất quán
Thường thì hiệu suất sẽ ổn định theo thời gian.
Tính nhất quán giao dịch ACID mạnh mẽ
Các trường hợp sử dụng tốt nhất
Tìm kiếm ngữ nghĩa, RAG, đề xuất, truy xuất hình ảnh/âm thanh
OLTP, báo cáo, hệ thống tài chính, CRM, ERP
Phương pháp mở rộng
Phân vùng ngang theo chỉ mục vectơ, thường được phân phối
Mở rộng theo chiều dọc là phổ biến; mở rộng theo chiều ngang thông qua phân vùng hoặc sao chép.
Tính linh hoạt của lược đồ
Các trường siêu dữ liệu không có lược đồ hoặc linh hoạt
Lược đồ được định sẵn cứng nhắc với các bản di chuyển
Kỹ thuật lập chỉ mục
Đồ thị HNSW, tập tin đảo ngược, lượng tử hóa sản phẩm
Cây B, chỉ mục băm, GiST, GIN
Sự trưởng thành
Công nghệ mới nổi, phát triển nhanh chóng kể từ khoảng năm 2019.
Hàng thập kỷ sản xuất ngày càng trở nên cứng rắn kể từ những năm 1970.
Ví dụ về sản phẩm
Quả thông, Milvus, Weaviate, Qdrant, Chroma
PostgreSQL, MySQL, Oracle, SQL Server, SQLite
So sánh chi tiết
Mục đích cốt lõi và cách biểu diễn dữ liệu
Cơ sở dữ liệu vector tồn tại để xử lý dữ liệu phi cấu trúc hoặc bán cấu trúc được chuyển đổi thành các biểu diễn số, thường được tạo ra bởi các mô hình học máy. Mỗi mục trở thành một điểm trong không gian đa chiều, nơi sự tương đồng về ngữ nghĩa được chuyển đổi thành sự gần gũi về hình học. Ngược lại, các cơ sở dữ liệu quan hệ truyền thống được thiết kế cho dữ liệu kinh doanh có cấu trúc, trong đó mỗi trường có một kiểu và ý nghĩa được xác định, và các mối quan hệ giữa các thực thể được thể hiện thông qua khóa ngoại và phép nối.
Cơ chế và hiệu suất truy vấn
Khi truy vấn cơ sở dữ liệu vector, bạn thường yêu cầu "tìm k mục tương tự nhất với vector này", điều này liên quan đến việc điều hướng các cấu trúc chỉ mục phức tạp thay vì quét các hàng. Các thuật toán mạng nơ-ron nhân tạo (ANN) đánh đổi độ chính xác tuyệt đối để đạt được tốc độ vượt trội, thường trả về kết quả trong vài mili giây trên hàng triệu vector. Cơ sở dữ liệu quan hệ ưu tiên câu trả lời chính xác thông qua SQL, tận dụng hàng thập kỷ tối ưu hóa truy vấn để xử lý các phép nối, tổng hợp và các bộ lọc phức tạp với hiệu suất có thể dự đoán được.
Tính nhất quán, giao dịch và độ tin cậy
Các cơ sở dữ liệu quan hệ truyền thống phát huy tối đa hiệu quả trong các trường hợp yêu cầu tính toàn vẹn giao dịch nghiêm ngặt, chẳng hạn như chuyển tiền giữa các tài khoản hoặc quản lý hàng tồn kho. Các đảm bảo ACID của chúng đảm bảo rằng các thao tác hoặc hoàn thành đầy đủ hoặc không hoàn thành, ngăn ngừa sự hỏng dữ liệu. Các cơ sở dữ liệu vector thường nới lỏng các đảm bảo này để ưu tiên thông lượng và khả năng truy xuất, khiến chúng ít phù hợp hơn với vai trò là hệ thống ghi nhận chính thức nhưng lại rất xuất sắc cho các khối lượng công việc đọc dữ liệu tương đồng, nơi mà sự lỗi thời đôi khi có thể chấp nhận được.
Tích hợp với Trí tuệ Nhân tạo và các khối lượng công việc hiện đại
Cơ sở dữ liệu vector đã trở thành nền tảng cơ bản cho các ứng dụng AI tạo sinh, đặc biệt là các quy trình tạo sinh tăng cường truy xuất (RAG) dựa trên kiến thức độc quyền. Chúng kết hợp tự nhiên với các mô hình nhúng từ OpenAI, Cohere hoặc các giải pháp thay thế mã nguồn mở. Cơ sở dữ liệu quan hệ ngày càng bổ sung khả năng vector thông qua các phần mở rộng như pgvector, nhưng chúng vẫn coi tìm kiếm tương đồng là một tính năng chứ không phải là năng lực cốt lõi, thường dẫn đến sự đánh đổi về hiệu suất ở quy mô lớn.
Độ phức tạp vận hành và hệ sinh thái
Việc vận hành cơ sở dữ liệu quan hệ ở quy mô lớn là một lĩnh vực đã được hiểu rõ với các công cụ hoàn thiện cho việc sao lưu, nhân bản, giám sát và phục hồi sau thảm họa. Cơ sở dữ liệu vector mới hơn và thường yêu cầu tinh chỉnh cẩn thận hơn các tham số chỉ mục, chiều nhúng và sự đánh đổi giữa độ truy xuất/độ trễ. Tuy nhiên, các dịch vụ vector được quản lý như Pinecone giúp đơn giản hóa phần lớn sự phức tạp này, trong khi hệ sinh thái quan hệ cung cấp kiến thức cộng đồng rộng hơn và các thực tiễn vận hành đã được kiểm chứng.
Các yếu tố về chi phí và nguồn lực
Các chỉ mục vector, đặc biệt là đồ thị HNSW, tiêu tốn lượng bộ nhớ đáng kể vì việc giữ cấu trúc đồ thị trong RAM là điều cần thiết để có các truy vấn độ trễ thấp. Một triệu vector 768 chiều có thể dễ dàng yêu cầu vài gigabyte bộ nhớ. Cơ sở dữ liệu quan hệ nhìn chung hiệu quả hơn về bộ nhớ đối với khối lượng công việc điển hình của chúng và có thể tận dụng hiệu quả bộ nhớ dựa trên đĩa, mặc dù chúng cũng được hưởng lợi từ lượng RAM dồi dào cho các vùng đệm và bộ nhớ cache.
Ưu & Nhược điểm
Cơ sở dữ liệu vectơ
Ưu điểm
+Tìm kiếm tương đồng nhanh chóng trên quy mô lớn
+Tích hợp AI/ML bản địa
+Xử lý dữ liệu phi cấu trúc tốt
+Khả năng hiểu ngữ nghĩa được tích hợp sẵn
+Lọc siêu dữ liệu linh hoạt
Đã lưu
−Tiêu thụ bộ nhớ cao
−Các đảm bảo giao dịch yếu hơn
−Công cụ mới hơn, chưa hoàn thiện
−Điều chỉnh độ phức tạp cho các chỉ mục
Cơ sở dữ liệu quan hệ truyền thống
Ưu điểm
+Tuân thủ ACID nghiêm ngặt
+Hệ sinh thái và công cụ đã hoàn thiện.
+Ngôn ngữ truy vấn SQL mạnh mẽ
+Tuyệt vời cho dữ liệu có cấu trúc
+Độ tin cậy đã được kiểm chứng qua chiến trận
Đã lưu
−Kém trong việc tìm kiếm sự tương đồng
−Yêu cầu lược đồ cứng nhắc
−Việc mở rộng quy mô có thể phức tạp.
−Hỗ trợ AI gốc hạn chế
Những hiểu lầm phổ biến
Huyền thoại
Cơ sở dữ liệu vector sẽ thay thế hoàn toàn cơ sở dữ liệu quan hệ.
Thực tế
Cơ sở dữ liệu vector giải quyết một vấn đề hoàn toàn khác. Chúng vượt trội trong việc tìm kiếm sự tương đồng trên các vector nhúng nhưng lại thiếu tính toàn vẹn giao dịch, các phép nối phức tạp và khả năng truy vấn có cấu trúc khiến cơ sở dữ liệu quan hệ trở nên không thể thiếu đối với hoạt động kinh doanh. Hầu hết các hệ thống sản xuất đều sử dụng cả hai, trong đó cơ sở dữ liệu quan hệ xử lý dữ liệu giao dịch và cơ sở dữ liệu vector hỗ trợ các tính năng tìm kiếm và trí tuệ nhân tạo.
Huyền thoại
Cơ sở dữ liệu vector luôn trả về các láng giềng gần nhất chính xác.
Thực tế
Hầu hết các cơ sở dữ liệu vector đều sử dụng thuật toán Tìm kiếm lân cận gần đúng (Approximate Nearest Neighbor - ANR) theo thiết kế, đánh đổi một chút độ chính xác để đạt được tốc độ và khả năng mở rộng vượt trội. Mặc dù tìm kiếm chính xác là có thể, nhưng thường không thực tế ở quy mô lớn. Phần "gần đúng" là một tính năng, không phải lỗi, cho phép phản hồi trong mili giây trên hàng tỷ vector.
Huyền thoại
Bạn cần một cơ sở dữ liệu vector để xây dựng bất kỳ ứng dụng trí tuệ nhân tạo nào.
Thực tế
Đối với các tập dữ liệu nhỏ hơn hoặc các trường hợp sử dụng đơn giản hơn, các cơ sở dữ liệu truyền thống với các phần mở rộng vector như pgvector, hoặc thậm chí các thư viện trong bộ nhớ như FAISS, có thể là đủ. Một cơ sở dữ liệu vector chuyên dụng trở nên có giá trị khi bạn cần mở rộng quy mô vượt quá vài triệu vector, yêu cầu các truy vấn có độ trễ thấp hoặc muốn có cơ sở hạ tầng được quản lý cho các khối lượng công việc AI.
Huyền thoại
Cơ sở dữ liệu quan hệ hoàn toàn không thể xử lý tìm kiếm vector.
Thực tế
Các cơ sở dữ liệu quan hệ hiện đại đã bổ sung khả năng xử lý dữ liệu dạng vector. Ví dụ, phần mở rộng pgvector của PostgreSQL hỗ trợ lưu trữ dữ liệu dạng vector và tìm kiếm tương tự trực tiếp trong SQL. Oracle và SQL Server cũng đã giới thiệu các tính năng xử lý dữ liệu dạng vector. Hiệu năng có thể không sánh kịp với các hệ thống chuyên dụng ở quy mô cực lớn, nhưng đối với nhiều trường hợp sử dụng, khoảng cách này đang được thu hẹp.
Huyền thoại
Cơ sở dữ liệu vector không cần lược đồ hay mô hình dữ liệu.
Thực tế
Mặc dù cơ sở dữ liệu vector linh hoạt hơn cơ sở dữ liệu quan hệ, chúng vẫn cần được mô hình hóa dữ liệu một cách cẩn trọng. Các quyết định về chiều nhúng, loại chỉ mục, cấu trúc siêu dữ liệu và chiến lược phân mảnh ảnh hưởng đáng kể đến hiệu suất, chi phí và độ chính xác của truy vấn. Việc chỉ đơn giản coi chúng như "cứ đổ dữ liệu nhúng vào đây" sẽ dẫn đến kết quả kém hiệu quả.
Các câu hỏi thường gặp
Điểm khác biệt chính giữa cơ sở dữ liệu vector và cơ sở dữ liệu quan hệ là gì?
Sự khác biệt cốt lõi nằm ở cách chúng biểu diễn và truy vấn dữ liệu. Cơ sở dữ liệu vector lưu trữ dữ liệu dưới dạng các phép nhúng số trong không gian đa chiều và tìm kiếm theo độ tương đồng (tìm các mục gần nhất với một vector truy vấn). Cơ sở dữ liệu quan hệ lưu trữ dữ liệu trong các bảng có cấu trúc và tìm kiếm theo các kết quả khớp chính xác bằng cách sử dụng SQL. Cơ sở dữ liệu vector trả lời các câu hỏi như "tìm các tài liệu tương tự với tài liệu này", trong khi cơ sở dữ liệu quan hệ trả lời các câu hỏi như "tìm các đơn đặt hàng từ khách hàng X được đặt sau ngày 1 tháng 1".
Tôi có thể sử dụng cơ sở dữ liệu quan hệ cho các tác vụ trí tuệ nhân tạo và máy học không?
Đúng vậy, ở một mức độ nào đó. Các cơ sở dữ liệu quan hệ như PostgreSQL với phần mở rộng pgvector có thể xử lý tìm kiếm vector cho các tập dữ liệu nhỏ hơn hoặc các ứng dụng quy mô vừa phải. Tuy nhiên, đối với các hệ thống AI sản xuất với hàng triệu vector và yêu cầu độ trễ nghiêm ngặt, các cơ sở dữ liệu vector chuyên dụng thường cung cấp hiệu suất tốt hơn, thuật toán lập chỉ mục tinh vi hơn và các tính năng được thiết kế đặc biệt để nhúng quy trình làm việc.
Khi nào thì nên chọn cơ sở dữ liệu vector thay vì cơ sở dữ liệu quan hệ?
Hãy chọn cơ sở dữ liệu vector khi nhu cầu chính của bạn là tìm kiếm sự tương đồng về ngữ nghĩa, chẳng hạn như xây dựng hệ thống RAG cho LLM, tạo công cụ đề xuất, triển khai tìm kiếm hình ảnh hoặc âm thanh, hoặc cung cấp năng lượng cho bất kỳ tính năng nào mà "tìm các mục tương tự" là mẫu truy vấn cốt lõi. Nếu ứng dụng của bạn cần lọc chính xác, kết hợp nhiều bảng hoặc tính nhất quán giao dịch nghiêm ngặt, thì cơ sở dữ liệu quan hệ vẫn là lựa chọn tốt hơn.
Cơ sở dữ liệu vector có hỗ trợ SQL không?
Một số hệ thống có hỗ trợ, nhưng không phải tất cả. Weaviate cung cấp ngôn ngữ truy vấn tương tự GraphQL, trong khi các hệ thống như SingleStore và ClickHouse hỗ trợ cú pháp giống SQL cho các truy vấn vector. Tuy nhiên, hầu hết các cơ sở dữ liệu vector thuần túy sử dụng API hoặc SDK riêng được tối ưu hóa cho các phép toán tìm kiếm sự tương đồng. Mô hình truy vấn về cơ bản là khác nhau, vì vậy kiến thức về SQL truyền thống không thể áp dụng trực tiếp.
Chi phí của cơ sở dữ liệu vector so với cơ sở dữ liệu quan hệ là bao nhiêu?
Chi phí thay đổi rất nhiều tùy thuộc vào mô hình triển khai và quy mô. Các dịch vụ cơ sở dữ liệu vector được quản lý như Pinecone tính phí dựa trên số lượng vector và khối lượng truy vấn, điều này có thể làm tăng chi phí nhanh chóng đối với các tập dữ liệu lớn. Các tùy chọn tự lưu trữ như Milvus hoặc Qdrant có chi phí cơ sở hạ tầng chủ yếu dựa vào bộ nhớ, vì các chỉ mục vector rất tốn RAM. Cơ sở dữ liệu quan hệ có giá cả dễ dự đoán hơn nhưng có thể trở nên đắt đỏ khi mở rộng quy mô thông qua cấp phép doanh nghiệp hoặc yêu cầu điện toán đám mây.
Embedding là gì và tại sao các cơ sở dữ liệu vector lại cần chúng?
Embedding là các biểu diễn số của dữ liệu (văn bản, hình ảnh, âm thanh) được tạo ra bởi các mô hình học máy, trong đó ý nghĩa ngữ nghĩa được mã hóa thành vị trí trong không gian đa chiều. Các khái niệm tương tự sẽ nằm gần nhau về mặt hình học. Cơ sở dữ liệu vector cần embedding vì chúng lưu trữ và tìm kiếm trực tiếp các vector này, cho phép so sánh độ tương đồng mà các phương pháp truyền thống như so khớp từ khóa hoặc giá trị không thể thực hiện được.
Các cơ sở dữ liệu vector có tuân thủ chuẩn ACID không?
Hầu hết các cơ sở dữ liệu vector ưu tiên hiệu suất và tính khả dụng hơn là tuân thủ nghiêm ngặt nguyên tắc ACID. Một số, như Milvus, cung cấp các mức độ nhất quán có thể điều chỉnh, và các hệ thống mới hơn đang bổ sung các tính năng giao dịch. Tuy nhiên, nhìn chung chúng không thể sánh được với sự đảm bảo ACID vững chắc của các cơ sở dữ liệu quan hệ đã được hoàn thiện. Đối với các khối lượng công việc yêu cầu tính nhất quán nghiêm ngặt, bạn thường sử dụng cơ sở dữ liệu quan hệ làm hệ thống ghi nhận chính cùng với cơ sở dữ liệu vector để tìm kiếm.
Cơ sở dữ liệu vector xử lý việc cập nhật và xóa dữ liệu như thế nào?
Cơ sở dữ liệu vector hỗ trợ cập nhật và xóa, nhưng cơ chế hoạt động khác với hệ thống cơ sở dữ liệu quan hệ. Nhiều hệ thống sử dụng các kỹ thuật như đánh dấu xóa (tombstones) hoặc xóa mềm (soft deletes) với việc nén định kỳ để duy trì hiệu suất chỉ mục. Một số hệ thống xây dựng lại các phân đoạn chỉ mục trong nền sau khi sửa đổi. Chi phí duy trì đồ thị HNSW và các cấu trúc ANN khác có nghĩa là việc cập nhật thường xuyên có thể ảnh hưởng đến hiệu suất truy vấn, do đó cơ sở dữ liệu vector thường được tối ưu hóa cho các tập dữ liệu tương đối ổn định.
HNSW là gì và tại sao nó lại quan trọng?
HNSW (Hierarchical Navigable Small World) là một trong những thuật toán lập chỉ mục phổ biến nhất được sử dụng trong cơ sở dữ liệu vector. Nó xây dựng cấu trúc đồ thị đa lớp cho phép tìm kiếm lân cận gần nhất cực nhanh, thường đạt được độ chính xác tuyệt vời với độ phức tạp thời gian logarit. HNSW rất quan trọng vì nó là thuật toán giúp việc tìm kiếm sự tương đồng dưới mili giây trở nên khả thi trên hàng triệu vector, mặc dù nó yêu cầu giữ toàn bộ đồ thị trong bộ nhớ để đạt hiệu suất tốt nhất.
Tôi có thể sử dụng cả cơ sở dữ liệu vector và cơ sở dữ liệu quan hệ cùng nhau được không?
Hoàn toàn đúng vậy, và điều này ngày càng trở nên phổ biến. Một mô hình phổ biến sử dụng cơ sở dữ liệu quan hệ làm hệ thống ghi nhận dữ liệu kinh doanh, sau đó đồng bộ hóa nội dung liên quan với cơ sở dữ liệu vector để tìm kiếm ngữ nghĩa. Khi người dùng gửi truy vấn, cơ sở dữ liệu vector sẽ tìm các tài liệu liên quan, và cơ sở dữ liệu quan hệ sẽ cung cấp thông tin chi tiết chính xác. Cách tiếp cận kết hợp này mang lại cho bạn những lợi ích tốt nhất của cả hai: tính toàn vẹn giao dịch cộng với khả năng tìm kiếm mạnh mẽ được hỗ trợ bởi trí tuệ nhân tạo.
Phán quyết
Hãy chọn cơ sở dữ liệu vector khi ứng dụng của bạn xoay quanh sự tương đồng ngữ nghĩa, tìm kiếm bằng trí tuệ nhân tạo hoặc hệ thống đề xuất, nơi việc hiểu ý nghĩa quan trọng hơn sự trùng khớp chính xác. Hãy sử dụng cơ sở dữ liệu quan hệ truyền thống cho các hệ thống giao dịch, báo cáo có cấu trúc và bất kỳ trường hợp nào mà tính toàn vẹn dữ liệu và các phép nối phức tạp là không thể thiếu. Nhiều kiến trúc hiện đại thực tế kết hợp cả hai, sử dụng cơ sở dữ liệu quan hệ làm hệ thống ghi nhận chính và cơ sở dữ liệu vector làm lớp tìm kiếm chuyên dụng ở trên.
