Slide 1
Slide 1 text
MySQL9でベクトルカラム登場！
PHP×AWSでのAI/類似検索はこう変わる
PHPカンファレンス関西 2025
株式会社TechBowl スー
1
Slide 2
Slide 2 text
2
Slide 3
Slide 3 text
結論
3
Slide 4
Slide 4 text
PostgreSQL+pgvectorを使おう・・・
4
Slide 5
Slide 5 text
なぜその結論か？説明していきます！
5
Slide 6
Slide 6 text
なぜその結論か？説明していきます！
1. ベクトルカラムがなぜ必要か？
2. ベクトル検索の構成要素は？
3. AWS+MySQLでは具体的にどのように利用するか？
6
Slide 7
Slide 7 text
今日のゴール: MySQL9のベクトル検索を理解
し、実装判断ができるようになる
7
Slide 8
Slide 8 text
なぜその結論か？説明していきます！
1. ベクトルカラムがなぜ必要か？ ←←←
2. ベクトル検索の構成要素は？
3. AWS+MySQLでは具体的にどのように利用するか？
8
Slide 9
Slide 9 text
ベクトルカラムがなぜ必要か？
9
Slide 10
Slide 10 text
ベクトルカラムがなぜ必要か？
なぜベクトル検索が必要なのか？
現実的な課題から解決策の価値を理解する
10
Slide 11
Slide 11 text
こんな課題はありませんか？
11
Slide 12
Slide 12 text
こんな課題はありませんか？
現実的なECサイト検索シナリオ
実際のユーザー検索パターン
「赤いワンピース」で検索
「おしゃれなバッグ」で検索
「暖かいコート」で検索
「プレゼント用の時計」で検索
12
Slide 13
Slide 13 text
こんな課題はありませんか？
現実的なECサイト検索シナリオ
ユーザーが期待する検索結果
「赤いワンピース」の場合:
クリムゾンドレス（深紅色のドレス）
真紅のワンピース（鮮やかな赤）
ルビーレッドワンピース（宝石のような赤）
赤色のフォーマルドレス（正装用）
ワインレッドのワンピース（落ち着いた赤）
13
Slide 14
Slide 14 text
こんな課題はありませんか？
現実的なECサイト検索シナリオ
実際によく起こる問題
検索結果が0件 → 即座に離脱
全く関係ない商品が表示 → 競合サイトへ移動
3回目の検索失敗 → サイトから完全離脱
年間売上の15-25%を失っている可能性があります
14
Slide 15
Slide 15 text
従来手法の限界を実際の検索結果で検証
15
Slide 16
Slide 16 text
従来手法の限界を実際の検索結果で検証
ECサイトっぽいデータベースでテスト
テストデータ（商品マスタ）
-- 実際の商品データ例
INSERT INTO products (name, description, price) VALUES
('赤いワンピース', '鮮やかな赤色のエレガントなワンピース', 12800),
('クリムゾンドレス', '深紅色の上品なパーティードレス', 15600),
('真紅のワンピース', '美しい真紅色のフォーマルワンピース', 18900),
('ルビーレッドワンピース', '宝石のような赤色のワンピース', 22400),
('ワインレッドドレス', '落ち着いたワインレッドのドレス', 16800),
('スカーレットワンピース', 'スカーレット色のカジュアルワンピース', 9800);
16
Slide 17
Slide 17 text
従来手法の限界を実際の検索結果で検証
LIKE検索の場合
SELECT name, price FROM products
WHERE name LIKE '%赤い%' AND name LIKE '%ワンピース%';
17
Slide 18
Slide 18 text
従来手法の限界を実際の検索結果で検証
LIKE検索の場合
検索結果（実際のデータ例）
商品名 価格 検索結果 理由
赤いワンピース ¥12,800 ヒット 完全一致
クリムゾンドレス ¥15,600 ヒットしない 「赤い」が含まれない
真紅のワンピース ¥18,900 ヒットしない 「赤い」が含まれない
ルビーレッドワンピース ¥22,400 ヒットしない 「赤い」が含まれない
結果: 6商品中1商品のみヒット（検索成功率: 16.7%）
問題: 完全一致する文字列のみ検索、同義語を認識できない
18
Slide 19
Slide 19 text
従来手法の限界を実際の検索結果で検証
全文検索の場合
-- 全文検索インデックスを作成
ALTER TABLE products ADD FULLTEXT(name, description);
-- 検索実行
SELECT name, price, description FROM products
WHERE MATCH(name, description) AGAINST('赤い ワンピース' IN BOOLEAN MODE);
19
Slide 20
Slide 20 text
従来手法の限界を実際の検索結果で検証
全文検索の場合
検索結果（実際のデータ例）
商品名 価格 説明文 検索結果
スコ
ア
赤いワンピース ¥12,800
鮮やかな赤色のエレガント
なワンピース
ヒット 2.1
真紅のワンピー
ス
¥18,900
美しい真紅色のフォーマル
ワンピース
「ワンピース」の
みヒット
0.8
結果: 6商品中3商品ヒット（検索成功率: 50%）、しかし関連性の低い結果も含む
問題: 単語の部分一致はできるが、意味的関連性は理解できない
20
Slide 21
Slide 21 text
従来手法の限界を実際の検索結果で検証
全文検索の場合
全文検索の限界
「赤い」と「クリムゾン」「真紅」「ルビーレッド」が同じ意味だと理解できない
「ワンピース」と「ドレス」の関連性を認識できない
無関係な商品でも単語が含まれていればヒットしてしまう
21
Slide 22
Slide 22 text
ベクトル検索について検証
22
Slide 23
Slide 23 text
ベクトル検索について検証
ベクトル検索の場合
同じクエリ「赤いワンピース」での検索結果
// ベクトル検索の実装例(PHP)
$queryVector = $embedding->embed('赤いワンピース');
$results = $vectorSearch->searchSimilar($queryVector, 10);
23
Slide 24
Slide 24 text
ベクトル検索について検証
ベクトル検索の場合
検索結果（実際のベクトル類似度計算）
商品名 価格
類似度スコ
ア
検索結
果
理由
赤いワンピース ¥12,800 0.98
ヒッ
ト
完全一致
真紅のワンピース ¥18,900 0.92
ヒッ
ト
「真紅」=「赤い」を理解
結果: 6商品中6商品すべてヒット（検索成功率: 100%）
特徴: 意味的な類似性を理解し、関連する商品をすべて発見
24
Slide 25
Slide 25 text
ベクトル検索について検証
ベクトル検索の場合
検索結果（実際のベクトル類似度計算）
ベクトル検索の優位性
同義語・類義語を自動的に認識（赤い ≈ クリムゾン ≈ 真紅 ≈ ルビーレッド）
関連概念の理解（ワンピース ≈ ドレス）
類似度スコアによる関連性の定量化
ユーザーの意図に最も近い結果を提供
25
Slide 26
Slide 26 text
[結果]
ユーザーの期待に応えられない検索体験
体験的にベクトルカラムがあった方が良い
26
Slide 27
Slide 27 text
結果:ユーザーの期待に応えられない検索体験
想定されるユーザー行動
検索失敗の影響
検索結果0件 → ユーザーが離脱
関連性の低い結果 → ユーザーが再検索
3回目の検索失敗 → ユーザーがサイト離脱
ビジネスへの影響
機会損失: 月間売上のが数十%実は取れてないなどがある
顧客満足度低下: サブスクリプションの場合は継続率に直結
競合他社への流出: そのまま同じ予算を切り替えるだけなので簡単
27
Slide 28
Slide 28 text
[検索の場合]
離脱リスクの課題を解決する1つの方法が
ベクトル検索
28
Slide 29
Slide 29 text
※PHPだけでやってきたぜ！という方へわかりやすくするために、テキストのみの検索を対
象としましたが、画像などをベクトルとして取り込むこともできるのでさらに汎用性が高ま
ります。
29
Slide 30
Slide 30 text
ここまでのまとめ
30
Slide 31
Slide 31 text
ここまでのまとめ
1. ベクトルカラムがなぜ必要か？
全文検索でもLIKE検索でも実現できない
意味の近さを使った検索を実現するため
31
Slide 32
Slide 32 text
なぜその結論か？説明していきます！
1. ベクトルカラムがなぜ必要か？
2. ベクトル検索の構成要素は？←←←
3. AWS+MySQLでは具体的にどのように利用するか？
32
Slide 33
Slide 33 text
2. ベクトル検索の構成要素は？
33
Slide 34
Slide 34 text
ベクトル検索の構成要素は？
1. テキストを数値(ベクトル)化するモデル
2. ベクトルを保存するストレージ
3. クエリとストレージから類似度を計算する処理
34
Slide 35
Slide 35 text
1. テキストを数値(ベクトル)化するモデル
MLのモデルを使ってテキストを数値化(ベクトル)する
テキスト → ベクトル（数値の配列）
「赤いワンピース」→ [0.1, -0.5, 0.3, ..., 0.2]
「クリムゾンドレス」→ [0.15, -0.48, 0.31, ..., 0.18]
AIが言葉の意味を数値で表現する
35
Slide 36
Slide 36 text
1. テキストを数値(ベクトル)化するモデル
MLのモデルを使ってテキストを数値化(ベクトル)する
テキスト → ベクトル（数値の配列）
「赤いワンピース」→ [0.1, -0.5, 0.3, ..., 0.2]
「クリムゾンドレス」→ [0.15, -0.48, 0.31, ..., 0.18]
言葉の意味を数値(ベクトル)で表現する
※このベクトルは言語ごとに違います。テストに出るよ!
(i18n対応に影響あり)
36
Slide 37
Slide 37 text
2. ベクトルを保存するストレージ
テキストではなく、ベクトルで保存するストレージが必要
機能 PostgreSQL + pgvector MySQL 9 標準サーバー
距離計算 完全サポート HeatWave専用
インデックス HNSW/IVFFlat 作成不可
最大次元数 16,000 16,383
類似度検索 高速 アプリ層で実装必要
37
Slide 38
Slide 38 text
3. クエリとストレージから類似度を計算する処理
機能 PostgreSQL + pgvector MySQL 9 標準サーバー
距離計算 完全サポート HeatWave専用
インデックス HNSW/IVFFlat 作成不可
最大次元数 16,000 16,383
類似度検索 高速 アプリ層で実装必要
MySQL9のVECTOR型が大敗である・・・。
※ CloudSQL for MySQLであれば、ベクトルカラムにインデックスが貼れますが、それでも
類似度計算は実装の必要があり、大敗。
38
Slide 39
Slide 39 text
ここまでのまとめ2
39
Slide 40
Slide 40 text
ベクトル検索の構成要素
1. テキストを数値(ベクトル)化するモデル
MLのモデルを使ってベクトル化する
2. ベクトルを保存するストレージ
RDBの場合はPostgreSQL+pgvector, MySQL9のベクトルカラムがわかりやすくある
3. クエリとストレージから類似度を計算する処理
ストレージに計算機能がない場合はアプリケーションで計算ロジックを実装する
pgvectorが全体的に優勢w
40
Slide 41
Slide 41 text
なぜその結論か？説明していきます！
1. ベクトルカラムがなぜ必要か？
2. ベクトル検索の構成要素は？
3. AWS+MySQLでは具体的にどのように利用するか？←←←
41
Slide 42
Slide 42 text
大敗してるのに使う方法
考えるんですか・・・？
42
Slide 43
Slide 43 text
はい。
DBを切り替えずにユーザーに
体験させたいとかあるはず
43
Slide 44
Slide 44 text
3. AWS+MySQLでは具体的にどのように利用するか？
あくまで現時点での実現可能な構成を考えます
1. MySQL9のVECTOR型はデータ保存にのみ使う
2. テキストのベクトル化についてはBedrockやOpenAIなどを
利用
3. 既存のPHPアプリケーションでベクトル計算
※ まだ使えないので検証はできません
44
Slide 45
Slide 45 text
3. 既存のPHPアプリケーションでベクトル計算
だけ一旦考える
45
Slide 46
Slide 46 text
そもそもベクトル検索の「意味が近い」って何？から紐解ける
ベクトル空間での距離の概念
直感的理解
地図上の2点間の距離と同じ概念
近い = 類似している
遠い = 異なっている
46
Slide 47
Slide 47 text
ベクトルで計算する際は
コサイン類似度やユークリッド距離などを
使うことが多い
なんか久しぶりに聞いたなそんなの
47
Slide 48
Slide 48 text
実装に入る前にMySQL9で標準で使える
ベクトル系の標準関数を確認
48
Slide 49
Slide 49 text
MySQL9の機能区分
VECTOR型：ベクトルデータの保存
STRING_TO_VECTOR()：文字列→ベクトル変換
VECTOR_DIM()：ベクトル次元数取得
49
Slide 50
Slide 50 text
それでは実装していく
50
Slide 51
Slide 51 text
ベクトル化プロセス詳解
テキスト→ベクトル変換実装
class TextEmbedding {
private $apiKey;
private $model = 'text-embedding-3-small';
public function embed($text) {
$url = 'https://api.openai.com/v1/embeddings';
$data = [
'model' => $this->model,
'input' => $text,
'encoding_format' => 'float'
];
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_POST, true);
curl_setopt($ch, CURLOPT_POSTFIELDS, json_encode($data)); // POSTデータ
curl_setopt($ch, CURLOPT_HTTPHEADER, [ // HTTPヘッダー
'Authorization: Bearer ' . $this->apiKey,
'Content-Type: application/json'
]);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
$response = curl exec($ch);
51
Slide 52
Slide 52 text
MySQL9 テーブル設計
CREATE TABLE products (
id INT PRIMARY KEY,
name VARCHAR(255),
description TEXT,
description_vector VECTOR(1536) -- text-embedding-3-small次元
);
VECTOR型の特徴
データ型: 各エントリは4byte浮動小数点値
サイズ制限: デフォルト長：2048、最大：16383
制約: キーとして使用不可（PRIMARY/FOREIGN/UNIQUE）
操作: 比較は等価性のみ
52
Slide 53
Slide 53 text
データ挿入実装
public function insertProduct($name, $description) {
$vectorString = $this->embedding->embedToVectorString($description);
$sql = "INSERT INTO products (name, description, description_vector)
VALUES (?, ?, STRING_TO_VECTOR(?))";
$stmt = $this->pdo->prepare($sql);
$stmt->execute([$name, $description, $vectorString]);
}
STRING_TO_VECTOR関数
文字列 "[1.05, -17.8, 32]" → バイナリVECTOR
標準MySQL9で利用可能
逆変換はVECTOR_TO_STRING()
53
Slide 54
Slide 54 text
類似度検索実装（PHPで計算）
1. クエリのベクトル化と全データ取得
public function searchSimilar($query, $limit = 10) {
// 1. クエリをベクトル化
$queryVector = $this->embedding->embed($query);
// 2. 全ベクトル取得
$sql = "SELECT id, name, description_vector FROM products";
$stmt = $this->pdo->query($sql);
$products = $stmt->fetchAll();
54
Slide 55
Slide 55 text
類似度検索実装（PHPで計算）
2. コサイン類似度の計算とソート
// 3. コサイン類似度計算
$similarities = [];
foreach ($products as $product) {
$vectorBinary = $product['description_vector'];
$productVector = $this->binaryToFloatArray($vectorBinary);
$similarity = $this->cosineSimilarity($queryVector, $productVector);
$similarities[] = [
'id' => $product['id'],
'name' => $product['name'],
'similarity' => $similarity
];
}
// 4. 類似度でソート
usort($similarities, function($a, $b) { // PHP標準ソート関数
return $b['similarity'] <=> $a['similarity'];
55
Slide 56
Slide 56 text
コサイン類似度計算
private function cosineSimilarity($a, $b) {
$dotProduct = 0;
$normA = 0;
$normB = 0;
for ($i = 0; $i < count($a); $i++) {
$dotProduct += $a[$i] * $b[$i];
$normA += $a[$i] * $a[$i];
$normB += $b[$i] * $b[$i];
}
return $dotProduct / (sqrt($normA) * sqrt($normB));
}
private function binaryToFloatArray($binary) {
// バイナリVECTORを浮動小数点配列に変換
$floats = [];
for ($i = 0; $i < strlen($binary); $i += 4) {
$floats[] = unpack('f', substr($binary, $i, 4))[1];
}
return $floats;
}
56
Slide 57
Slide 57 text
でもこのままだとパフォーマンスはもちろん
心配なので・・・
57
Slide 58
Slide 58 text
パフォーマンス最適化戦略
58
Slide 59
Slide 59 text
パフォーマンス最適化戦略
1. 事前計算：商品データは事前にベクトル化
2. バッチ処理：APIコスト削減
3. インデックス戦略：IDでの絞り込み併用
59
Slide 60
Slide 60 text
まとめ3(ラスト)
60
Slide 61
Slide 61 text
まとめ3(ラスト)
まとめ
MySQL9のベクトルカラムはロマンはあるけど、実務で使うにはまだ工夫が必要！
できるならPostgreSQL+pgvectorを使うのが良いかも！
61
Slide 62
Slide 62 text
まとめ3(ラスト)
と思ったのですが・・・
S3 Vectorsが出たのでみんなそっちでやっていくといいぞ！
多分！
62
Slide 63
Slide 63 text
63
Slide 64
Slide 64 text
所属
株式会社TechBowl
何やってる？
「TechTrain」というサービスで反復横跳びし続けている何で
も屋さん(Laravel, Next.js, AWS, etc...)
趣味
お酒(よく溺れる)
サウナ
読書
64
Slide 65
Slide 65 text
ご静聴ありがとうございました！
65
Slide 66
Slide 66 text
色々続くよ！
66
Slide 67
Slide 67 text
References
MySQL 9.0 Documentation
OpenAI Embedding API
67
Slide 68
Slide 68 text
補足：MySQL HeatWaveとは
68
Slide 69
Slide 69 text
補足：MySQL HeatWaveとは
Oracle提供のクラウドサービス
フルマネージドMySQLサービス
インメモリ分析アクセラレーター統合
OLTP（オンライントランザクション処理） + OLAP（オンライン分析処理）を単一
環境で実現
69
Slide 70
Slide 70 text
補足：MySQL HeatWaveとは
利用環境
Oracle Cloud Infrastructure（OCI）
Amazon Web Services（AWS）
Microsoft Azure
オンプレミス不可
70
Slide 71
Slide 71 text
補足：MySQL HeatWaveとは
特徴
分析クエリを10-1000倍高速化
ETL不要のリアルタイム分析
機械学習機能統合
標準MySQLとの棲み分けを理解して適切に選択してください!
71
Slide 72
Slide 72 text
補足：pgvectorの使い方
72
Slide 73
Slide 73 text
補足：pgvectorの使い方
1. Dockerを使った簡単セットアップ
# pgvector組み込み済みPostgreSQLコンテナ起動
docker pull pgvector/pgvector:pg17
docker run --name postgres-vector \
-e POSTGRES_PASSWORD=mypassword \
-p 5432:5432 \
pgvector/pgvector:pg17
73
Slide 74
Slide 74 text
2. 拡張機能の有効化
-- データベースに接続後、pgvectorを有効化
CREATE EXTENSION vector;
-- 確認
SELECT extversion FROM pg_extension WHERE extname = 'vector';
3. Ubuntu/Debianでの手動インストール
Copy# PostgreSQL開発ファイルとpgvectorのインストール
sudo apt install postgresql-server-dev-17
sudo apt install postgresql-17-pgvector
または手動コンパイル
git clone --branch v0.8.0 https://github.com/pgvector/pgvector.git
cd pgvector
make
sudo make install
74
Slide 75
Slide 75 text
基本的な使用方法
1. テーブル作成とデータ挿入
-- ベクトルテーブルの作成
CREATE TABLE documents (
id SERIAL PRIMARY KEY,
title TEXT,
content TEXT,
embedding vector(1024) -- 1024次元のベクトル
);
-- ベクトルデータの挿入
INSERT INTO documents (title, content, embedding) VALUES
('文書1', '人工知能について', '[0.1, 0.2, 0.3, ...]'),
('文書2', '機械学習の基礎', '[0.4, 0.5, 0.6, ...]');
-- 文字列からベクトルへの変換も可能
INSERT INTO documents (embedding) VALUES
(string_to_vector('[1.0, 2.0, 3.0]')),
(cast('[4.0, 5.0, 6.0]' as vector));
75
Slide 76
Slide 76 text
2. ベクトル検索の実行
-- L2距離（ユークリッド距離）による最近傍検索
SELECT title, content, embedding <-> '[0.2, 0.3, 0.4, ...]' AS distance
FROM documents
ORDER BY distance
LIMIT 5;
76
Slide 77
Slide 77 text
2. ベクトル検索の実行
-- コサイン類似度による検索
SELECT title, content, 1 - (embedding <=> '[0.2, 0.3, 0.4, ...]') AS cosine_similarity
FROM documents
ORDER BY cosine_similarity DESC
LIMIT 5;
-- 内積による検索（正規化済みベクトルの場合に最適）
SELECT title, content, (embedding <#> '[0.2, 0.3, 0.4, ...]') * -1 AS inner_product
FROM documents
ORDER BY inner_product DESC
LIMIT 5;
77
Slide 78
Slide 78 text
3. 距離関数の種類
-- <-> : L2距離（ユークリッド距離）
-- <#> : 負の内積
-- <=> : コサイン距離
-- <+> : L1距離（マンハッタン距離）
-- <~> : ハミング距離（バイナリベクトル用）
-- <%> : ジャカード距離（バイナリベクトル用）
-- 関数形式でも利用可能
SELECT
l2_distance(embedding, '[1,2,3]') AS euclidean,
cosine_distance(embedding, '[1,2,3]') AS cosine,
inner_product(embedding, '[1,2,3]') AS dot_product
FROM documents;
78
Slide 79
Slide 79 text
高性能インデックスの作成
1. HNSWインデックス（推奨）
-- L2距離用HNSWインデックス
CREATE INDEX ON documents USING hnsw (embedding vector_l2_ops);
-- コサイン距離用HNSWインデックス
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);
-- 内積用HNSWインデックス
CREATE INDEX ON documents USING hnsw (embedding vector_ip_ops);
-- パラメータ調整版
CREATE INDEX ON documents USING hnsw (embedding vector_l2_ops)
WITH (m = 16, ef_construction = 64);
79
Slide 80
Slide 80 text
2. IVFFlatインデックス
-- データが十分蓄積されてから作成
CREATE INDEX ON documents USING ivfflat (embedding vector_l2_ops)
WITH (lists = 100);
-- リスト数の目安：
-- ~100万行: rows / 1000
-- 100万行超: sqrt(rows)
80
Slide 81
Slide 81 text
3. 検索パフォーマンスの調整
-- HNSW検索精度の調整
SET hnsw.ef_search = 100; -- デフォルト40
-- IVFFlat検索範囲の調整
SET ivfflat.probes = 10; -- デフォルト1
-- トランザクション内での一時設定
BEGIN;
SET LOCAL hnsw.ef_search = 200;
SELECT * FROM documents ORDER BY embedding <-> '[...]' LIMIT 10;
COMMIT;
81
Slide 82
Slide 82 text
実践的な応用例
1. フィルタリングとの組み合わせ
-- カテゴリフィルタとベクトル検索の組み合わせ
CREATE INDEX ON documents (category_id); -- フィルタ用インデックス
-- 効率的な検索
SELECT * FROM documents
WHERE category_id = 123
ORDER BY embedding <-> '[...]'
LIMIT 5;
-- フィルタリング専用の部分インデックス
CREATE INDEX ON documents USING hnsw (embedding vector_l2_ops)
WHERE category_id = 123;
82
Slide 83
Slide 83 text
2. ハイブリッド検索（全文検索+ベクトル検索）
-- 全文検索インデックスも作成
CREATE INDEX ON documents USING gin(to_tsvector('english', content));
-- ハイブリッド検索の実装
WITH vector_results AS (
SELECT id, title, embedding <-> '[...]' AS vec_distance
FROM documents
ORDER BY vec_distance
LIMIT 20
),
text_results AS (
SELECT id, title, ts_rank_cd(to_tsvector('english', content), query) AS text_score
FROM documents, plainto_tsquery('english', 'machine learning') query
WHERE to_tsvector('english', content) @@ query
ORDER BY text_score DESC
LIMIT 20
)
-- Reciprocal Rank Fusionで結合
SELECT * FROM vector_results
UNION
SELECT * FROM text_results;
83
Slide 84
Slide 84 text
3. メモリ使用量の最適化
-- 半精度ベクトルでメモリ使用量を半減
CREATE TABLE efficient_docs (
id SERIAL PRIMARY KEY,
title TEXT,
embedding halfvec(1024) -- 半精度ベクトル
);
-- 半精度でのインデックス作成
CREATE INDEX ON efficient_docs USING hnsw (embedding halfvec_l2_ops);
-- バイナリ量子化でさらなる圧縮
CREATE INDEX ON documents USING hnsw
((binary_quantize(embedding)::bit(1024)) bit_hamming_ops);
84
Slide 85
Slide 85 text
パフォーマンスチューニング
85
Slide 86
Slide 86 text
1. PostgreSQL設定の最適化
# postgresql.conf
shared_buffers = 25% of RAM
maintenance_work_mem = 2GB # インデックス作成用
max_parallel_workers_per_gather = 4
max_parallel_maintenance_workers = 4
86
Slide 87
Slide 87 text
2. インデックス作成の最適化
-- インデックス作成の高速化
SET maintenance_work_mem = '8GB';
SET max_parallel_maintenance_workers = 7;
-- 本番環境では同時実行インデックス作成
CREATE INDEX CONCURRENTLY idx_vector ON documents
3. 監視とチューニング
-- インデックス使用状況の確認
EXPLAIN ANALYZE
SELECT * FROM documents
ORDER BY embedding <-> '[...]'
LIMIT 5;
-- インデックスサイズの確認
SELECT pg_size_pretty(pg_relation_size('idx_vector'));
87
Slide 88
Slide 88 text
多様なベクトル型の活用
88
Slide 89
Slide 89 text
1. スパースベクトル
-- スパースベクトルテーブル
CREATE TABLE sparse_data (
id SERIAL PRIMARY KEY,
sparse_vec sparsevec(1000)
);
-- スパースベクトルの挿入（{index:value}/dimensions形式）
INSERT INTO sparse_data (sparse_vec) VALUES
('{1:1.0, 10:2.0, 100:3.0}/1000'),
('{5:4.0, 50:5.0, 500:6.0}/1000');
89
Slide 90
Slide 90 text
2. バイナリベクトル
-- バイナリベクトル（画像ハッシュなど）
CREATE TABLE image_hashes (
id SERIAL PRIMARY KEY,
image_hash bit(64)
);
-- ハミング距離による検索
SELECT * FROM image_hashes
ORDER BY image_hash <~> '1010101010101010...'
LIMIT 5;
90
Slide 91
Slide 91 text
PostgreSQLのpgvectorは、MySQL 9と比較して遥かに成熟した本格的なベクトルデータベー
ス機能を提供します。特に距離計算とインデックス機能が標準で利用可能な点が大きな優位
性となっています。
91
Slide 92
Slide 92 text
92
Slide 93
Slide 93 text
ベクトル距離の視覚的理解
2次元空間でのベクトル距離
%%{init: {'theme': 'base', 'themeVariables': { 'background': 'transparent', 'primaryColor':
'transparent', 'primaryBorderColor': '#ffffff', 'primaryTextColor': '#ffffff', 'lineColor': '#ffffff',
'arrowheadColor': '#ffffff', 'edgeLabelBackground': '#3D3D5C' }}}%%
graph LR
subgraph "2次元ベクトル空間"
O[原点 (0,0)]
A["赤いワンピース
(0.8, 0.6)"]
B["クリムゾンドレス
(0.75, 0.65)"]
C["青いTシャツ
93
Slide 94
Slide 94 text
コサイン類似度の視覚的理解
ベクトル間の角度 = 意味の類似性
%%{init: {'theme': 'base', 'themeVariables': { 'background': 'transparent', 'primaryColor':
'transparent', 'primaryBorderColor': '#ffffff', 'primaryTextColor': '#ffffff', 'lineColor': '#ffffff',
'arrowheadColor': '#ffffff', 'edgeLabelBackground': '#3D3D5C' }}}%%
graph TD
subgraph "コサイン類似度の概念"
O[原点]
A["ベクトルA
「赤いワンピース」"]
B["ベクトルB
「クリムゾンドレス」"]
C["ベクトルC
94
Slide 95
Slide 95 text
95
Slide 96
Slide 96 text
テキストをベクトルに変換するとは？
Embeddingの概念
Embedding（埋め込み） とは、テキストを多次元の数値ベクトルに変換する技術
「赤いワンピース」→ [0.1, -0.5, 0.3, ..., 0.2] (1536次元)
意味的に近い言葉は、ベクトル空間で近い位置に配置される
人間には理解しづらいが、コンピュータで扱いやすい形式
96
Slide 97
Slide 97 text
「赤いワンピース」のベクトル変換プロセス
ステップ1: テキスト入力
入力テキスト
「赤いワンピース」
AIモデルの理解プロセス
1. 単語分解: 「赤い」+ 「ワンピース」
2. 意味解析: 色（赤）+ 衣服（ワンピース）
3. 文脈理解: 女性用衣服、ファッション、色彩
4. 関連概念: エレガント、フォーマル、カジュアル
97
Slide 98
Slide 98 text
ステップ2: ベクトル変換（実際の数値例）
OpenAI text-embedding-3-small による変換結果
実際のベクトル値（一部抜粋）
「赤いワンピース」→ [
0.0234, // 色彩関連の次元
-0.1567, // 衣服関連の次元
0.0891, // 女性用品関連の次元
0.2134, // ファッション関連の次元
-0.0456, // フォーマル度関連の次元
... // 1536次元まで続く
0.1789
]
ベクトルの特徴
次元数: 1536次元（text-embedding-3-small） 98
Slide 99
Slide 99 text
ステップ3: 類似商品のベクトル比較
実際の数値を使った類似度計算
各商品のベクトル値（簡略化した5次元で説明）
商品名 次元1 次元2 次元3 次元4 次元5
赤いワンピース 0.023 -0.157 0.089 0.213 -0.046
クリムゾンドレス 0.031 -0.149 0.095 0.198 -0.052
真紅のワンピース 0.028 -0.162 0.087 0.221 -0.041
青いTシャツ -0.156 -0.089 0.034 0.067 0.123
コサイン類似度の計算例
「赤いワンピース」vs「クリムゾンドレス」
99
Slide 100
Slide 100 text
ステップ4: 類似度ランキングの生成
計算結果による商品ランキング
「赤いワンピース」との類似度ランキング
順位 商品名 類似度スコア 解釈
1位 赤いワンピース 1.00 完全一致（同じ商品）
2位 真紅のワンピース 0.92 非常に類似（色+形状）
3位 クリムゾンドレス 0.89 高い類似性（色+関連形状）
4位 ルビーレッドワンピース 0.85 高い類似性（色+形状）
5位 ワインレッドドレス 0.78 中程度の類似性（色系統）
6位 赤色のスカート 0.65 中程度の類似性（色のみ）
7位 青いTシャツ 0.21 低い類似性（異なる色）
100
Slide 101
Slide 101 text
ベクトル変換の仕組み
なぜベクトルに変換するのか？
%%{init: {'theme': 'base', 'themeVariables': { 'background': 'transparent', 'primaryColor':
'transparent', 'primaryBorderColor': '#ffffff', 'primaryTextColor': '#ffffff', 'lineColor': '#ffffff',
'arrowheadColor': '#ffffff', 'edgeLabelBackground': '#3D3D5C' }}}%%
graph LR
A["テキスト
'赤いワンピース'"] -->|AIモデル| B["ベクトル
[0.023, -0.157, ...]"]
C["テキスト
'クリムゾンドレス'"] -->|AIモデル| D["ベクトル
[0.031, -0.149, ...]"]
E["テキスト
101
Slide 102
Slide 102 text
ベクトルの類似度計算
コサイン類似度の直感的理解
計算式
cos(θ) = (A・B) / (|A| × |B|)
値の意味
1.0: 完全に同じ意味
0.7～0.9: かなり類似
0.5～0.7: ある程度類似
0.5未満: 関連性が低い
例：「赤いワンピース」との類似度
クリムゾンドレス: 0.85
真紅のワンピース: 0.92
赤色のスカート: 0.73
青いTシャツ: 0.21
102
Slide 103
Slide 103 text
ベクトル検索実現のために必要なステップ
1. 単語/文章 → 数値の配列（ベクトルにする = 埋め込み）
2. 類似度 = ベクトル計算(コサイン類似度やユークリッド距
離など)
3. AI埋め込みモデルの活用
(コサイン類似度なんて高校の数学以来くらいで聞く人も多いのでは・・・)
103
Slide 104
Slide 104 text
ベクトル検索に必要なものは、次の3つ
1. テキストをベクトルに変換するための機構 → ライブラリや
OpenAPI Embedding API
2. ベクトルを保管するためのカラム → VECTOR型のDatabase
のカラムなど
3. ベクトルの意味的な距離を計算するための機能 →
DISTANCE関数やアプリケーション実装
104
Slide 105
Slide 105 text
バッチ処理で効率化
なぜバッチ処理が重要？
単一リクエスト方式の問題点
graph LR
A[商品1] -->|API呼出1| B[ベクトル1]
C[商品2] -->|API呼出2| D[ベクトル2]
E[商品3] -->|API呼出3| F[ベクトル3]
style A fill:#f9f,stroke:#333,stroke-width:2px
style C fill:#f9f,stroke:#333,stroke-width:2px
style E fill:#f9f,stroke:#333,stroke-width:2px
課題: 1000商品 = 1000回のAPI呼び出し → 高コスト・低速
105
Slide 106
Slide 106 text
バッチ処理の実装
embedBatch()メソッド
public function embedBatch($texts) {
$data = [
'model' => $this->model,
'input' => $texts, // 配列で一括送信
'encoding_format' => 'float'
];
// APIリクエスト処理...
$result = json_decode($response, true);
$embeddings = [];
foreach ($result['data'] as $item) {
$embeddings[] = '[' . implode(',', $item['embedding']) . ']';
}
ポイント: input に配列を渡すことで複数テキストを一括処理
106
Slide 107
Slide 107 text
応用層への移行
107
Slide 108
Slide 108 text
応用層への移行
いつ・どのように導入するか？
実装層で学んだこと
MySQL9の具体的な機能
段階的なコード実装方法
実際の動作例
応用層で学ぶこと
実装選択肢の比較と判断基準
ユースケース別の推奨事項
導入のための具体的な次のステップ
108
Slide 109
Slide 109 text
応用層
いつ・どのように導入するか？
意思決定のための判断基準を獲得しましょう
109
Slide 110
Slide 110 text
HeatWave vs 標準MySQL
項目 標準MySQL HeatWave
VECTOR型 利用可能 利用可能
距離計算 PHP実装 DISTANCE関数
パフォーマンス 中小規模で実用的 大規模で高速
コスト 低い 高い
環境 どこでも クラウド限定
HeatWaveの例
SELECT name, DISTANCE(description_vector, ?, "COSINE") as similarity
FROM products ORDER BY similarity LIMIT 10;
110
Slide 111
Slide 111 text
ユースケース別推奨事項
データ規模・予算・技術レベル別の選択指針
シナリオ データ規模 予算 推奨アプローチ 理由
スタートアップ ~10万件 低 標準MySQL + PHP 初期コスト抑制、柔軟性
中規模EC ~100万件 中 標準MySQL + 最適化 バランス重視
大規模サービス 1000万件+ 高 HeatWave パフォーマンス最優先
実験・検証 任意 低 標準MySQL + PHP 学習コスト最小
111
Slide 112
Slide 112 text
次のステップガイド
開発者向け
1. 環境構築: MySQL 9の検証環境セットアップ
2. プロトタイプ作成: 小規模データでの動作確認
3. パフォーマンステスト: 実データでの性能評価
意思決定者向け
1. ROI分析: 検索改善による売上向上の試算
2. コスト比較: 開発・運用コストの詳細見積もり
3. 段階的導入計画: リスクを抑えた導入戦略
112
Slide 113
Slide 113 text
パフォーマンス最適化戦略
キャッシュ戦略
// クエリベクトルのキャッシュ
$cacheKey = 'vector_' . md5($query);
$queryVector = $this->cache->get($cacheKey);
if (!$queryVector) {
$queryVector = $this->embedding->embed($query);
$this->cache->set($cacheKey, $queryVector, 3600);
}
113