최신 소식
-
AI 스킬을 활용한 SingleStore Wasm 함수 생성
안녕하세요. 에이플랫폼입니다. 데이터베이스에서 데이터를 분석하다 보면 기본 SQL 함수만으로는 원하는 처리 로직을 구현하기 어려운 경우가 있습니다. 이럴 때는 필요한 로직을 직접 작성하거나 기존 코드를 활용해 WebAssembly(Wasm) 함수로 만들어 사용하기도 합니다. 다만 이를 위해서는 코드를 Wasm 실행 환경에 맞게 구현하고, 컴파일한 뒤 SingleStore 등록용 SQL까지 준비해야 합니다. 코드 작성이나 빌드 도구에 익숙하지 않은 사용자에게는 상당히 복잡한 과정입니다. 이 과정을 간편하게 진행할 수 있도록 SingleStore Wasm 함수 생성 스킬을 GitHub에 공유했습니다. AI 코딩 에이전트에 스킬을 연결하면, 원하는 함수의 이름과 동작을 설명하거나 기존 코드를 전달해 Wasm ..
2026.11.09
-
SingleStore Analyst 소개: 자연어 기반 실시간 데이터 분석
안녕하세요. 에이플랫폼입니다.이번에 SingleStore에서 새로운 기능인 SingleStore Analyst(이하 Analyst)를 공개했습니다. 기존의 데이터 분석 방식에서는 기업에서 데이터를 활용해 새로운 분석 결과를 얻기 위해 데이터 담당자에게 분석을 요청하고, 필요한 SQL이나 데이터 파이프라인을 준비한 뒤 결과를 확인하는 과정이 필요합니다. 이 과정에서 분석 요청이 많거나 준비에 시간이 오래 걸리는 경우, 필요한 인사이트를 적시에 얻기 어려울 수 있습니다. Analyst는 이러한 과정을 단순화하기 위해 자연어로 데이터에 질문하고 결과를 확인할 수 있도록 지원하는 AI 기반 데이터 분석 기능입니다. 사용자는 SQL을 직접 작성하지 않고 자연어로 질문할 수 있으며, Analyst가 질문을 분석해..
2026.09.29
-
Matryoshka Embeddings을 이용한 벡터 검색
안녕하세요. 에이플랫폼입니다. 최근 AI 애플리케이션에서 벡터 임베딩은 검색, 추천, RAG와 같은 기능의 핵심 구성 요소로 사용되고 있습니다. 벡터 임베딩을 활용하면 키워드 일치 여부를 넘어, 의미적으로 유사한 문서나 데이터를 찾을 수 있기 때문입니다. 이때 임베딩의 차원이 높아질수록 더 세밀한 표현을 담을 수 있지만, 그만큼 비용도 함께 커집니다. 예를 들어 1024차원 벡터를 그대로 인덱싱하면 벡터가 담고 있는 정보를 충분히 활용할 수 있지만, 데이터 규모가 커질수록 인덱스가 차지하는 메모리와 검색 부담도 증가합니다. 이러한 한계를 완화하는 접근법 중 하나가 Matryoshka Representation Learning(MRL)입니다. MRL은 하나의 고차원 임베딩 안에 더 작은 차원의 의미 표현을..
2026.08.12
-
SingleStore 9.1 Float16 벡터 타입 실습 가이드
안녕하세요 에이플랫폼입니다. 이전 글에서는 SingleStore 9.1에서 새롭게 도입된 Float16 벡터 타입이 벡터 저장 공간과 검색 성능 측면에서 어떤 이점을 제공하는지 살펴보았습니다. (이전 글: SingleStore 9.1 Float16 벡터 타입 지원)이번 글에서는 F16과 F32 벡터 테이블을 생성하는 방법, 저장 공간과 검색 성능을 측정하는 쿼리, ANN 인덱스 생성 및 검색 예제, 그리고 기존 F32 벡터 컬럼을 F16으로 마이그레이션하는 절차를 순서대로 살펴봅니다.테스트 데이터 및 환경 구성테스트는 http://corpus-texmex.irisa.fr/의 GIST 1M 데이터셋으로 수행했습니다. 이 데이터 셋은 960차원의 벡터 100만 개를 포함합니다. GIST 1M 벡터를 각각 ..
2026.07.01
-
SingleStore 9.1 Float16 벡터 타입 지원
안녕하세요 에이플랫폼입니다. 최근 LLM의 확산으로 머신러닝, 의미 기반 검색, 생성형 AI 애플리케이션에서 벡터 검색의 중요성이 크게 부각되고 있습니다. 하지만 벡터 데이터베이스에 저장되는 데이터가 많아질수록 메모리 사용량과 저장 공간은 곧 비용 문제로 이어집니다. 임베딩 벡터들은 수백 개에서 수천 개의 부동소수점 값으로 구성되기 때문에, 데이터 규모가 커질수록 필요한 리소스도 함께 커집니다. 이 문제를 줄이는 방법 중 하나는 벡터를 구성하는 각 요소(element)의 정밀도를 낮추는 것입니다.벡터 유사도 검사의 경우 벡터 요소의 정밀도에 민감하지 않기 때문에, 32-bit float 대신 16-bit float로 벡터를 저장하고 처리하는 방식을 충분히 고려할 수 있습니다. 또한 Intel과 ARM 명..
2026.06.29
Tech News
-
AI 스킬을 활용한 SingleStore Wasm 함수 생성
안녕하세요. 에이플랫폼입니다. 데이터베이스에서 데이터를 분석하다 보면 기본 SQL 함수만으로는 원하는 처리 로직을 구현하기 어려운 경우가 있습니다. 이럴 때는 필요한 로직을 직접 작성하거나 기존 코드를 활용해 WebAssembly(Wasm) 함수로 만들어 사용하기도 합니다. 다만 이를 위해서는 코드를 Wasm 실행 환경에 맞게 구현하고, 컴파일한 뒤 SingleStore 등록용 SQL까지 준비해야 합니다. 코드 작성이나 빌드 도구에 익숙하지 않은 사용자에게는 상당히 복잡한 과정입니다. 이 과정을 간편하게 진행할 수 있도록 SingleStore Wasm 함수 생성 스킬을 GitHub에 공유했습니다. AI 코딩 에이전트에 스킬을 연결하면, 원하는 함수의 이름과 동작을 설명하거나 기존 코드를 전달해 Wasm ..
2026.11.09
-
Matryoshka Embeddings을 이용한 벡터 검색
안녕하세요. 에이플랫폼입니다. 최근 AI 애플리케이션에서 벡터 임베딩은 검색, 추천, RAG와 같은 기능의 핵심 구성 요소로 사용되고 있습니다. 벡터 임베딩을 활용하면 키워드 일치 여부를 넘어, 의미적으로 유사한 문서나 데이터를 찾을 수 있기 때문입니다. 이때 임베딩의 차원이 높아질수록 더 세밀한 표현을 담을 수 있지만, 그만큼 비용도 함께 커집니다. 예를 들어 1024차원 벡터를 그대로 인덱싱하면 벡터가 담고 있는 정보를 충분히 활용할 수 있지만, 데이터 규모가 커질수록 인덱스가 차지하는 메모리와 검색 부담도 증가합니다. 이러한 한계를 완화하는 접근법 중 하나가 Matryoshka Representation Learning(MRL)입니다. MRL은 하나의 고차원 임베딩 안에 더 작은 차원의 의미 표현을..
2026.08.12
-
SingleStore 9.1 Float16 벡터 타입 실습 가이드
안녕하세요 에이플랫폼입니다. 이전 글에서는 SingleStore 9.1에서 새롭게 도입된 Float16 벡터 타입이 벡터 저장 공간과 검색 성능 측면에서 어떤 이점을 제공하는지 살펴보았습니다. (이전 글: SingleStore 9.1 Float16 벡터 타입 지원)이번 글에서는 F16과 F32 벡터 테이블을 생성하는 방법, 저장 공간과 검색 성능을 측정하는 쿼리, ANN 인덱스 생성 및 검색 예제, 그리고 기존 F32 벡터 컬럼을 F16으로 마이그레이션하는 절차를 순서대로 살펴봅니다.테스트 데이터 및 환경 구성테스트는 http://corpus-texmex.irisa.fr/의 GIST 1M 데이터셋으로 수행했습니다. 이 데이터 셋은 960차원의 벡터 100만 개를 포함합니다. GIST 1M 벡터를 각각 ..
2026.07.01
-
SingleStore 9.1 Float16 벡터 타입 지원
안녕하세요 에이플랫폼입니다. 최근 LLM의 확산으로 머신러닝, 의미 기반 검색, 생성형 AI 애플리케이션에서 벡터 검색의 중요성이 크게 부각되고 있습니다. 하지만 벡터 데이터베이스에 저장되는 데이터가 많아질수록 메모리 사용량과 저장 공간은 곧 비용 문제로 이어집니다. 임베딩 벡터들은 수백 개에서 수천 개의 부동소수점 값으로 구성되기 때문에, 데이터 규모가 커질수록 필요한 리소스도 함께 커집니다. 이 문제를 줄이는 방법 중 하나는 벡터를 구성하는 각 요소(element)의 정밀도를 낮추는 것입니다.벡터 유사도 검사의 경우 벡터 요소의 정밀도에 민감하지 않기 때문에, 32-bit float 대신 16-bit float로 벡터를 저장하고 처리하는 방식을 충분히 고려할 수 있습니다. 또한 Intel과 ARM 명..
2026.06.29
-
MCP(Model Context Protocol) 완벽 활용법: SingleStore로 구축하는 최강의 AI 데이터 에이전트
안녕하세요 에이플랫폼 입니다.최근 AI 에이전트 기술이 비약적으로 발전하면서, 단순히 학습된 지식을 읊는 수준을 넘어 기업의 실제 데이터를 실시간으로 분석하고 활용하려는 시도가 늘고 있습니다. 하지만 늘 한계로 지적되었던 점이 있습니다. 바로 "LLM(거대언어모델)이 어떻게 보안을 유지하면서 파편화된 데이터베이스에 안전하고 효율적으로 접근할 것인가?"라는 문제였습니다.이러한 고민을 해결하기 위해 탄생한 것이 바로 MCP(Model Context Protocol)입니다.왜 데이터베이스 액세스에 MCP가 필요할까요?기존에는 데이터베이스의 쿼리 결과를 복사해서 AI 채팅창에 붙여넣는 번거로운 과정을 거쳐야 했습니다. 하지만 MCP는 AI 어시스턴트가 외부 도구와 상호작용하는 방식을 표준화합니다. 덕분에 사용자..
2026.05.08
