Векторные представления и векторные БД / К первой паре / Конструирование баз данных / Лекция 16

11 июня 2026 г.Открыть на YouTube ↗

В этой лекции разбираем, что такое embeddings, зачем нужны векторные базы данных и почему vector DB — это не «память нейросети» и не замена SQL, а специализированный индекс для поиска по смысловой близости. Обсуждаем: - что такое embedding и почему это не «понимание»; - чем SQL, full-text search и vector search отличаются друг от друга; - как работает similarity search, top-k и метрики близости; - зачем нужны ANN-индексы, HNSW, IVF и quantization; - где может жить vector store: PostgreSQL + pgvector, Qdrant, Milvus, Weaviate, Chroma, - Elasticsearch/OpenSearch; - почему metadata, версии, права доступа и bounded context важны не меньше самих векторов; - зачем нужен hybrid search: dense search + full-text + filters + reranking; - что логировать для наблюдаемости и оценки качества retrieval. Полезного просмотра ✨ Смотрите другие лекции курса в плейлисте: https://www.youtube.com/playlist?list=PL9fMuYh2TstkUTykSVdzeiNb0xOV5R7pg 🎓 Образовательная программа «Программная инженерия»: https://clck.ru/3ReFoU 💻 Сайт Вышки Онлайн: https://clck.ru/3ReFtn 🔗 Мы в Telegram: https://t.me/onlinedegreesHSE 📨 Мы в Вконтакте: https://vk.com/vyshkaonline 📹 Мы на RuTube: https://rutube.ru/channel/40229925/ 📄 Мы на VC.ru: https://vc.ru/u/1427995-vyshka-onlain 🧘🏻 Мы в Дзене: https://dzen.ru/hseonline 🖇 Мы в MAX: https://max.ru/onlinedegreesHSE