기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 벡터 개요
<a name="vectors"></a>

*벡터*는 머신이 데이터를 이해하고 처리하는 데 도움이 되는 수치 표현입니다. 생성형 AI에서는 두 가지 주요 목적을 수행합니다.
+ 압축된 형식으로 데이터 구조를 캡처하는 잠재적 공간 표시
+ 단어, 문장 및 이미지와 같은 데이터에 대한 임베딩 생성

[Word2Vec](https://aws.amazon.com/what-is/embeddings-in-machine-learning/), [GloVe](https://github.com/stanfordnlp/GloVe) 및 [Amazon Titan Text Embeddings](https://docs.aws.amazon.com/bedrock/latest/userguide/titan-embedding-models.html)와 같은 임베딩 모델은 *임베딩*이라는 프로세스를 통해 데이터를 벡터로 변환합니다. 이러한 임베딩 모델은 다음을 수행할 수 있습니다.
+ 컨텍스트에서 학습하여 단어를 벡터로 표현
+ 벡터 공간에 비슷한 단어를 더 가깝게 배치
+ 시스템이 연속 공간에서 데이터를 처리할 수 있도록 지원

다음 다이어그램은 임베딩 프로세스에 대한 개략적인 개요를 제공합니다.

1. [Amazon Simple Storage Service(Amazon S3)](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html) 버킷에는 시스템에서 정보를 읽고 처리할 데이터 소스인 파일이 포함되어 있습니다. Amazon S3 버킷은 [Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html) 지식 기반 구성 중에 지정되며, 여기에는 [데이터를 지식 기반과 동기화하는](https://docs.aws.amazon.com/bedrock/latest/userguide/kb-data-source-sync-ingest.html) 것도 포함됩니다.

1. 임베딩 모델은 Amazon S3 버킷의 객체 파일에서 원시 데이터를 벡터 임베딩으로 변환합니다. 예를 들어 `Object1`는 다차원 공간에서 콘텐츠를 `[0.6, 0.7, ...]` 나타내는 벡터로 변환됩니다.

![임베딩 모델은 Amazon S3 버킷의 객체를 벡터 임베딩으로 변환합니다.](http://docs.aws.amazon.com/ko_kr/prescriptive-guidance/latest/choosing-an-aws-vector-database-for-rag-use-cases/images/vector-databases.png)


단어 임베딩은 다음을 수행하기 때문에 자연어 처리(NLP)에 매우 중요합니다.
+ 단어 간 의미 관계 캡처
+ 컨텍스트 관련 텍스트 생성 활성화
+ 대규모 언어 모델(LLMs 강화하여 인간과 유사한 응답 생성