Bài 1: Khái niệm & Vai trò của Cơ Sở Dữ Liệu Vector

Sự bùng nổ của Trí tuệ Nhân tạo và các mô hình Học sâu (Deep Learning) đã tạo ra một dạng dữ liệu hoàn toàn mới và cực kỳ phổ biến: véc-tơ nhúng (embeddings). Để lưu trữ, quản lý và thực hiện tìm kiếm tương đồng trên hàng triệu véc-tơ này ở thời gian thực, các cơ sở dữ liệu truyền thống (SQL/NoSQL) không thể đáp ứng được hiệu năng. Đó là lý do Cơ sở dữ liệu Vector (Vector Database) ra đời.

Bài học này sẽ đưa bạn đi từ gốc rễ bài toán: Dữ liệu phi cấu trúc là gì, tại sao biểu diễn véc-tơ lại quan trọng, sự khác biệt kiến trúc cốt lõi với SQL, cho đến các thách thức toán học trong không gian đa chiều và các giải thuật tìm kiếm kinh điển.

1.1 Sự trỗi dậy của Dữ liệu phi cấu trúc và Vector nhúng (Embeddings)

Trong thế giới số, hơn 80% dữ liệu được tạo ra là dữ liệu phi cấu trúc (unstructured data): bài viết, email, tệp âm thanh, video, hình ảnh... Dữ liệu này không thể biểu diễn trực tiếp dưới dạng các bảng dòng-cột rõ ràng của cơ sở dữ liệu quan hệ. Trước đây, để tìm kiếm trên dữ liệu này, chúng ta sử dụng tìm kiếm từ khóa (lexical search) bằng cách bóc tách chuỗi thô. Tuy nhiên, cách này hoàn toàn bỏ qua ngữ cảnh và ý nghĩa thực sự của dữ liệu.

Các mô hình học sâu hiện đại giải quyết bài toán này bằng cách dịch chuyển dữ liệu phi cấu trúc sang một không gian đặc trưng dày đặc (dense feature space). Mỗi phần tử dữ liệu (một đoạn văn, một bức ảnh) sẽ được mô hình ánh xạ thành một véc-tơ nhúng dày đặc (dense vector / embedding) - thực chất là một mảng gồm các số thực dấu phẩy động có độ dài cố định (thường từ 768 đến 1536 chiều).

Để lưu trữ các véc-tơ này, một bản ghi cơ sở dữ liệu vector thường chứa một định danh duy nhất (ID), chính mảng véc-tơ nhúng (embedding), và dữ liệu thuộc tính đi kèm (metadata) để lọc.

{
  "id": "article-94812",
  "vector": [0.1283, -0.0512, 0.8921, 0.3412, -0.2201, 0.0418, 0.5123, -0.1982],
  "metadata": {
    "title": "Cơ sở dữ liệu Vector là gì?",
    "author": "Quang Tang",
    "category": "Artificial Intelligence",
    "publish_date": "2026-07-20"
  }
}

1.2 Phân biệt CSDL truyền thống vs CSDL Vector

Sự khác biệt lớn nhất giữa cơ sở dữ liệu truyền thống (như PostgreSQL, MySQL) và cơ sở dữ liệu vector nằm ở mục tiêu truy vấn và cơ chế chỉ mục:

• CSDL truyền thống (SQL/NoSQL): Tìm kiếm dựa trên phép so khớp chính xác (exact match) của các giá trị hoặc khoảng giá trị (ví dụ: WHERE price < 100 hoặc WHERE username = 'bob'). Chỉ mục được xây dựng trên cấu trúc cây B-Tree hoặc LSM-Tree để tra cứu trong thời gian $O(\log N)$.
• CSDL Vector: Tìm kiếm dựa trên sự tương đồng hình học (similarity search) trong không gian metric đa chiều. Câu hỏi không phải là "véc-tơ nào bằng khít véc-tơ này?", mà là "những véc-tơ nào nằm gần véc-tơ truy vấn nhất?".

Dưới đây là bảng đối chiếu chi tiết giữa hai hệ thống:

1.3 Lời nguyền chiều kích (Curse of Dimensionality)

Tại sao chúng ta không thể sử dụng các cấu trúc chỉ mục phân hoạch không gian thông thường (như KD-Tree hay R-Tree) vốn hoạt động rất tốt trong không gian 2D hoặc 3D cho véc-tơ nhúng?

Câu trả lời nằm ở hiện tượng hình học kỳ lạ trong không gian nhiều chiều được gọi là Lời nguyền chiều kích (Curse of Dimensionality). Khi số chiều $d$ tiến tới vô cùng, khoảng cách giữa điểm gần nhất và điểm xa nhất trong một tập điểm ngẫu nhiên sẽ dần hội tụ về bằng nhau.

Về mặt toán học, nếu ta chọn ngẫu nhiên các điểm trong một khối lập phương đơn vị $d$ chiều, tỉ số chênh lệch khoảng cách:

Trong đó $D_{\max}$ và $D_{\min}$ lần lượt là khoảng cách lớn nhất và nhỏ nhất giữa các điểm. Khi tỉ số này tiến về 0, mọi điểm dữ liệu đều trở nên "cách đều nhau". Mọi ranh giới hình học bị xóa nhòa, khiến việc phân chia không gian bằng các mặt phẳng cắt (như cơ chế của KD-Tree) mất hoàn toàn tác dụng phân nhóm, quay trở về độ phức tạp quét tuyến tính $O(N)$.

Để tự kiểm chứng điều này, đoạn mã JavaScript dưới đây sinh các điểm ngẫu nhiên trong không gian 2 chiều và 100 chiều để đo lường tỉ số chênh lệch:

function getMinMaxRatio(dimensions, numPoints = 100) {
  // Tạo các điểm ngẫu nhiên d chiều
  const points = Array.from({ length: numPoints }, () => 
    Array.from({ length: dimensions }, () => Math.random())
  );
  
  let min = Infinity;
  let max = 0;
  
  for (let i = 0; i < numPoints; i++) {
    for (let j = i + 1; j < numPoints; j++) {
      let sum = 0;
      for (let k = 0; k < dimensions; k++) {
        const diff = points[i][k] - points[j][k];
        sum += diff * diff;
      }
      const dist = Math.sqrt(sum);
      if (dist < min) min = dist;
      if (dist > max) max = dist;
    }
  }
  
  return (max - min) / min;
}

console.log("Tỉ số chênh lệch ở không gian 2 chiều:", getMinMaxRatio(2));
console.log("Tỉ số chênh lệch ở không gian 100 chiều:", getMinMaxRatio(100));

1.4 Giải thuật lân cận gần nhất: KNN thô vs Tìm kiếm xấp xỉ ANN

Để giải quyết bài toán tìm kiếm tương đồng vector, chúng ta chia làm hai nhóm giải thuật chính:

1. K-Nearest Neighbors (KNN) chính xác: Duyệt qua tất cả các bản ghi trong cơ sở dữ liệu, tính toán khoảng cách hình học giữa véc-tơ truy vấn và từng véc-tơ lưu trữ, sau đó sắp xếp để lấy ra K điểm gần nhất. Thuật toán này đảm bảo độ chính xác (Recall) 100% nhưng có độ phức tạp thời gian là $O(d \cdot N)$ với $N$ là tổng số điểm và $d$ là số chiều.
2. Approximate Nearest Neighbor (ANN) xấp xỉ: Chấp nhận đánh đổi một chút độ chính xác (ví dụ Recall đạt 95% - 99%) để đổi lấy tốc độ tìm kiếm vượt trội nhờ cấu trúc chỉ mục thông minh. ANN giảm độ phức tạp tìm kiếm xuống còn $O(\log N)$ hoặc $O(\sqrt{N})$.

Dưới đây là một triển khai cơ bản của thuật toán KNN chính xác trên Node.js để bạn nắm vững cơ chế tính khoảng cách:

function exactKNN(query, dataset, k) {
  const scored = dataset.map((item) => {
    // Tính khoảng cách Euclidean L2
    let sum = 0;
    for (let i = 0; i < query.length; i++) {
      const diff = query[i] - item.vector[i];
      sum += diff * diff;
    }
    const dist = Math.sqrt(sum);
    return { item, distance: dist };
  });
  
  // Sắp xếp tăng dần theo khoảng cách
  scored.sort((a, b) => a.distance - b.distance);
  
  // Trả về K phần tử gần nhất
  return scored.slice(0, k).map(s => s.item.id);
}

const mockDb = [
  { id: "A", vector: [0.1, 0.2] },
  { id: "B", vector: [0.9, 0.8] },
  { id: "C", vector: [0.15, 0.22] }
];

console.log("KNN kết quả:", exactKNN([0.11, 0.21], mockDb, 2)); // Kết quả sẽ là ['A', 'C']

1.5 Ứng dụng thực tế: Hệ gợi ý và Tìm kiếm ngữ nghĩa

Vector DB đóng vai trò xương sống cho hai bài toán kinh điển của AI:

• Tìm kiếm ngữ nghĩa (Semantic Search): Khắc phục nhược điểm của tìm kiếm từ khóa. Khi người dùng nhập "phương tiện di chuyển hai bánh", mô hình nhúng dịch nghĩa của truy vấn và tìm thấy các vector của từ "xe máy", "xe đạp" dù không trùng khớp bất kỳ chữ cái nào với từ khóa tìm kiếm.
• Hệ thống gợi ý (Recommendation Systems): Gợi ý bài hát, phim ảnh tương tự dựa trên hành vi người dùng. Hành vi hoặc sở thích được nén thành một véc-tơ đặc trưng, và Vector DB sẽ nhanh chóng lấy ra Top K sản phẩm có đặc trưng tương đồng nhất.

Ví dụ dưới đây mô phỏng một kịch bản tìm kiếm ngữ nghĩa đơn giản sử dụng Mock Embedding và Vector DB:

const documents = [
  { id: "doc_1", text: "Học lập trình JavaScript cơ bản cho người mới bắt đầu", vector: [0.85, 0.12] },
  { id: "doc_2", text: "Cách làm bánh mì Việt Nam giòn xốp tại nhà", vector: [0.11, 0.92] },
  { id: "doc_3", text: "Tối ưu hóa mã nguồn C++ và quản lý bộ nhớ Heap", vector: [0.79, 0.15] }
];

// Query: "viết mã js" -> được Embedding Model chuyển đổi thành vector [0.88, 0.10]
const queryVector = [0.88, 0.10];

function searchSemantic(queryVec, docs, k = 1) {
  const results = docs.map(doc => {
    // Tính Euclidean L2
    const d = Math.sqrt(
      (queryVec[0] - doc.vector[0])**2 + (queryVec[1] - doc.vector[1])**2
    );
    return { doc, distance: d };
  });
  results.sort((a, b) => a.distance - b.distance);
  return results.slice(0, k).map(r => r.doc.text);
}

console.log("Kết quả tìm kiếm ngữ nghĩa:", searchSemantic(queryVector, documents, 1));
// Đầu ra sẽ là bài viết JavaScript nhờ sự tương đồng ngữ nghĩa lớn

Trải nghiệm Trực quan hóa Tương tác

Dưới đây là trình Lab thực nghiệm tương tác 2D. Bạn có thể Click để đặt điểm Query (sao đỏ) và quan sát vòng tròn quét khoảng cách tối đa của chỉ mục Flat Index tìm kiếm KNN: