當您在自己的電腦或伺服器上執行資料庫時，必須完成許多工作：要處理備份、安裝安全性更新，並確保伺服器不會耗盡記憶體。這種方式稱為「自行託管」。

代管資料庫服務能替您分擔這項工作。您付費給雲端服務供應商代為執行資料庫，他們會負責處理繁重的工作，例如設定基礎架構、更新軟體，以及確保系統保持連線。這樣一來，您就能專心編寫應用程式程式碼，不必擔心伺服器的基礎架構問題。

雖然 Google 試算表或 Excel 等這類的試算表很適合讓人快速瀏覽，但是如果有成千上萬的人同時使用時，就會變得緩慢且難以管理。資料庫的建構方式則完全不同，它們主要由三個部分組成：

1. 資料：這是資訊本身，可以是簡單的文字 (姓名和電子郵件地址)、數字 (價格)，也可以是圖片、AI 嵌入這類複雜的內容。
2. 查詢：這是向資料庫「要求」提供資訊的方式。您會使用 SQL (結構化查詢語言) 等語言，來明確告訴資料庫您的需求。例如，您可能會要求提供「上週註冊的所有使用者」。
3. 資料庫管理系統 (DBMS)：這是充當管理員的軟體，負責處理要求、確保資料安全，以及整理資訊儲存方式。這類系統的例子包括 PostgreSQL、MySQL 和 MongoDB。

選擇合適的資料庫取決於資料的結構特性。

關聯式資料庫通常也稱為 SQL 資料庫，會以結構化資料表呈現資料。如果需要確保銀行交易完全成功或完全失敗，您可能會決定使用關聯式資料庫，因為這類資料庫嚴格遵守 ACID (原子性、一致性、隔離性、持久性) 屬性。

NoSQL 資料庫的優點是彈性高，這類資料庫以文件、圖形或鍵/值組合的形式儲存資料。由於不需要嚴格的結構定義，NoSQL 通常非常適合用於變動快速的應用程式，例如行動應用程式、社群媒體動態消息或即時內容管理系統。

這是最簡單的 NoSQL 資料庫形式，這類資料庫會將資料儲存為不重複的索引鍵，並與值配對。由於這種方式既快速又簡單，開發人員可能會用來快取工作階段資料或儲存使用者偏好設定。

這些資料庫就像字典，有一個鍵 (例如使用者名稱) 和對應的值 (個人資料)。由於不必在複雜的資料表中搜尋，就能找到所需內容，因此速度非常快。

文件資料庫會以彈性格式 (通常是 JSON) 儲存資料。如果資料結構經常變動，這類資料庫非常實用，例如在內容管理系統中，不同的網誌文章可能會有不同的屬性。

向量資料庫會將資訊儲存為數學向量，讓電腦能更瞭解資料的「意義」，而不只是比對確切的關鍵字，這項技術是現代生成式 AI 和搜尋功能的基礎。

圖形資料庫著重於資料點之間的關係。這類資料庫不使用資料表，而是將資料儲存為節點和邊。以社群網路為例，「人」是節點，「追蹤」動作是邊。如果您正在建構一個依賴複雜連結的推薦引擎，圖形資料庫能以遠快於標準關聯式資料庫的速度來查詢這些連結。

時間序列資料庫專門儲存以時間編製索引的資料點，是專為處理大量、具有時間戳記的資料而打造，例如來自 IoT 裝置的感應器讀數、伺服器記錄或股市更新資訊。這類資料庫擅長「降採樣」，也就是將較舊的高頻率資料壓縮成更廣泛的摘要，以節省空間。

資料庫可以放在幾個不同位置：

地端部署：在您自家辦公室或資料中心的實體硬體上執行資料庫。這種做法可讓您完全掌控資料庫，但必須自行管理所有安全性和維護作業。

混合式：結合地端部署和雲端環境。您可以將機密資料保留在地端部署環境以確保安全，同時將公開應用程式資料儲存在雲端。

雲端：資料庫位於雲端服務供應商的伺服器。這通常是最受歡迎的選擇，因為如果應用程式突然爆紅，就能輕鬆擴充。雲端資料庫可帶來多項優勢：

• 彈性：可立即增加儲存空間或處理能力
• 存取便利性：團隊成員可從世界各地管理資料庫
• 維護：雲端服務供應商負責管理底層硬體、更新和安全性修補程式

在部署選項之間遷移，例如從地端部署設定轉移至代管雲端服務，或從混合式環境轉移至全雲端原生解決方案，重點應放在基礎架構變更，而不是單純的資料格式變更。請務必審慎規劃資料庫遷移作業，確保資料完整性、將停機時間減至最低，並管理連線變更。

過去，開發人員通常會將標準應用程式資料和 AI 資料分開儲存在不同的資料庫孤島。這迫使開發人員要在資料庫和獨立的 AI 引擎之間來回移動大量資料，導致應用程式速度變慢，也更難以維護。如今，整合已成為趨勢。我們希望資料庫能理解並處理資料，包括 AI 生成的資訊，而且在同一處完成。

概括來說，現代資料庫正藉由新增下列核心 AI 功能，變得更加「智慧」：

• 向量和語意搜尋：資料庫會將資料儲存為「向量」(代表意義的數字清單)。這樣一來，應用程式就能根據搜尋字詞的意義找出結果，而不只是比對關鍵字。例如搜尋「犬科動物」可以找到「狗」。
• 檢索增強生成 (RAG)：在 AI 模型回答問題前，資料庫會提供私密且最新的資訊，確保 AI 提供更準確且符合事實的答案。
• 多模態功能和搜尋：資料庫現在可以儲存及關聯不同資料類型，例如文字、圖片和音訊。您可以搜尋這些格式的內容，例如找出與特定產品相片相符的文字說明或價格。
• 將自然語言轉換為 SQL：將「Show me all high-value customers」(顯示所有高價值顧客) 等簡單的英文問題，轉換為擷取該資訊所需的確切程式碼。
• 混合搜尋：結合傳統關鍵字搜尋與語意搜尋。這項技術非常有效，因為它會針對特定詞彙 (例如產品 ID) 使用完全比對，同時使用向量，根據意圖尋找相關項目。

只要使用支援這些工具的資料庫，就能透過單一查詢，搜尋使用者的名稱、歷史記錄和偏好設定，簡化技術堆疊，讓應用程式提供更快速且智慧的體驗。

以下說明如何在 Python 中執行混合搜尋，結合特定關鍵字和語意概念：

在確定採用特定架構前，請先思考以下問題，判斷哪種資料庫類型最符合專案需求。

即使資料庫能順暢支援目前的應用程式，AI 仍會帶來新的需求。在開始建構下一個 AI 功能前，請先思考以下問題，確認目前的設定是否已準備就緒：

• 我的資料庫可以同時儲存高維度向量資料和一般資料嗎？
• 如果可以：您可以使用現有資料庫進行 AI 作業，藉此簡化架構
• 如果不行：您可能需要在堆疊中加入專用向量資料庫或外掛程式
• 我的資料庫是否提供內建相似度搜尋功能？
• 如果有：您的系統可以快速找到「有意義」的相符項目，不必額外編寫程式碼
• 如果沒有：您應建構或管理獨立的「搜尋層」，將資料轉換成 AI 可理解的內容
• 我的資料庫能否處理資料，而不必將資料移至其他地方？
• 如果可以：可節省資料傳輸費用，並縮短 AI 回應的延遲時間
• 如果不行：您可能面臨效能瓶頸，因為需要不斷將資料來回傳送至外部 AI 模型
• 資料庫能否集中處理不同類型的資料 (文字、圖片、音訊)？
• 如果可以：您可以使用統一的查詢語言，建構複雜的「多模態」AI 應用程式
• 如果不行：您可能需要合併多個資料庫，但這會導致程式碼難以維護
• 資料庫能否輕鬆更新「知識」，以因應新資料的到來？
• 如果可以：AI 功能會隨著資料更新，即時反映變更
• 如果不行：AI 回覆可能過時或不準確，直到您手動觸發耗時的重新建立索引作業
• 資料庫是否可以提供強大的安全性和存取控管機制，確保 AI 查詢安全無虞？
• 如果可以：您可以安全地建構 AI 應用程式，只向使用者顯示他們有權查看的資訊
• 如果不行：您可能面臨「資料外洩」的風險，AI 可能會不小心將受限資訊分享給不該分享的對象