Teknik pencarian yang menemukan item berdasarkan kemiripan makna (semantik) menggunakan representasi matematika berbentuk vektor, bukan pencocokan kata kunci secara harfiah.
Coba search "laptop buat coding" di sebuah toko online. Kalau search engine-nya cuma pakai keyword matching, dia butuh dokumen yang literally punya kata "laptop" dan "buat" dan "coding" untuk bisa match. Tapi kalau pakai Vector Search, dia bisa nemuin "notebook developer", "ThinkPad untuk programmer", atau "ultrabook ringan untuk kerja teknis" meskipun nggak ada kata yang persis sama.
Vector Search itu pencarian berbasis kemiripan makna, bukan kemiripan kata. Di belakangnya ada representasi matematika yang disebut embedding vector: deretan angka yang mengkodekan "makna" dari sebuah teks, gambar, atau data lainnya.
Prosesnya secara umum seperti ini:
| Aspek | Keyword Search | Vector Search |
|---|---|---|
| Matching basis | Kecocokan kata harfiah | Kemiripan makna semantik |
| Bisa handle sinonim | Terbatas (butuh dictionary) | Secara natural |
| Bisa handle bahasa berbeda | Nggak (butuh setup khusus) | Bisa dengan multilingual embedding |
| Latency | Sangat cepat | Lebih lambat, tapi bisa di-optimize |
| Explainability | Mudah dijelaskan | Lebih sulit dijelaskan mengapa item muncul |
| Cocok untuk | Query yang sangat spesifik dan exact | Query yang conversational dan konseptual |
Dua alasan utama: perkembangan LLM dan booming RAG (Retrieval-Augmented Generation). Di arsitektur RAG, Vector Search dipakai untuk retrieve dokumen-dokumen yang relevan dengan pertanyaan user sebelum LLM generate jawabannya. Ini bikin LLM bisa "tahu" tentang informasi spesifik perusahaan kamu tanpa perlu di-fine-tune.
Selain itu, Vector Search juga relevan untuk:
Dua metrik yang paling umum dipakai:
Udah paham Vector Search? Lanjut latihan SQL dan Excel yuk!
Latihan interaktif, langsung di browser.