# ベクターデータベースのデータソース

> ベクターデータベースのデータソース - GenAIのLLMで使用する独自のテキストデータを作成して適用する方法を学びます。

This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context.

Companion generated at `2026-07-27T18:44:30.207565+00:00` (UTC).

## Primary page

- [ベクターデータベースのデータソース](https://docs.datarobot.com/ja/docs/agentic-ai/vector-database/vector-dbs-data.html.md): Full documentation for this topic (Markdown sidecar).

## Sections on this page

- [データセットの要件](https://docs.datarobot.com/ja/docs/agentic-ai/vector-database/vector-dbs-data.html.md#dataset-requirements): In-page section heading.
- [内部ベクターデータベース](https://docs.datarobot.com/ja/docs/agentic-ai/vector-database/vector-dbs-data.html.md#internal-vector-databases): In-page section heading.
- [CSVに関する要件の詳細](https://docs.datarobot.com/ja/docs/agentic-ai/vector-database/vector-dbs-data.html.md#csv-specific-requirement-details): In-page section heading.
- [ベクターデータベースのエクスポート](https://docs.datarobot.com/ja/docs/agentic-ai/vector-database/vector-dbs-data.html.md#export-a-vector-database): In-page section heading.
- [外部（BYO）ベクターデータベース](https://docs.datarobot.com/ja/docs/agentic-ai/vector-database/vector-dbs-data.html.md#external-byo-vector-databases): In-page section heading.
- [基本的な外部ワークフロー](https://docs.datarobot.com/ja/docs/agentic-ai/vector-database/vector-dbs-data.html.md#basic-external-workflow): In-page section heading.

## Documentation content

DataRobotの生成モデリングでは、3つのタイプのベクターデータベースがサポートされています。

- 常駐 。「内部」で構築されたベクターデータベース。アプリケーションにリストされる ソース にはDataRobotと示されます。 最大10GBまでサポートし、DataRobotに保存され、ユースケースの ベクターデータベース タイルに表示されます。
- 接続 。最大100GBのベクターデータベースで、外部プロバイダーにリンクしています。 アプリケーションにリストされている ソース はプロバイダー名であり、プロバイダーインスタンスに格納されます。
- 外部 。検証と登録のためにレジストリ ワークショップ でホストされ、ユースケースのディレクトリリストでは 読み取り専用で接続 として識別されます。 DataRobotの外部でホストされるため、サイズの制約はありませんが、ベクターデータベースのデプロイのリソースバンドルメモリー内に収まる必要があります。

## データセットの要件

ベクターデータベースの作成に使用するデータセットをアップロードする場合、サポートされている形式は `.zip` または `.csv` です。 ファイルには `document` と `document_file_path` の2つの列が必須です。 最大50のメタデータ列を追加して、プロンプトクエリーの際にフィルターに使用することができます。 [メタデータのフィルター](https://docs.datarobot.com/ja/docs/agentic-ai/playground-tools/rag-chatting.html.md#metadata-filtering) では、 `document_file_path` が `source` として表示されます。

`.zip` ファイルの場合、DataRobotはファイルを処理して、関連するリファレンスID（ `document_file_path` ）列を持つテキスト列（ `document` ）を含む `.csv` バージョンを作成します。 テキスト列の内容はすべて、文字列として扱われます。 リファレンスID列は、 `.zip` がアップロードされると自動的に作成されます。 すべてのファイルは、アーカイブのルート（root）、またはアーカイブ内の単一のフォルダーに配置する必要があります。 フォルダーツリー階層の使用はサポートされていません。

**ベクターデータベースにおけるデータコネクターの制限事項**

データコネクター（GoogleドライブやSharePointなど）を介して取り込まれたデータは、 [ファイルレジストリ](https://docs.datarobot.com/ja/docs/workbench/nxt-registry/file-registry.html.md) に保存されますが、VDBメタデータとして使用することは できません 。 ファイルストレージに含まれるアセットはEDAプロセスによって検証されないため、すべてのメタデータファイルをデータレジストリのデータセットストレージにアップロードする必要があります。 ベクターデータベースにおいて、フィルター、アクセス制御、またはダウンストリーム取得ロジック用のメタデータが必要な場合は、メタデータがデータコネクターをソースとするのではなく、データレジストリのデータセットとして提供されていることを確認してください。

サポートされているファイルコンテンツの詳細については、 [注意事項](https://docs.datarobot.com/ja/docs/reference/gen-ai-ref/llm-availability.html.md#supported-dataset-types) を参照してください。

## 内部ベクターデータベース

DataRobotの内部ベクターデータベースは、取得速度を維持しながら、許容可能な取得精度を確保するために最適化されています。 以下の手順に従って、データの準備とアップロードを行います。

1. 以下のようにデータを準備します。CSVに関する要件の詳細を参照して、データが正しい形式であることを確認してください。
2. ファイルをアップロードします。 アップロードは、次のいずれかの方法で行うことができます。

DataRobotでデータが利用可能になったら、それをプレイグラウンドで使用する [ベクターデータベースとして追加](https://docs.datarobot.com/ja/docs/agentic-ai/vector-database/vector-dbs.html.md) できます。

#### CSVに関する要件の詳細

CSVの必須列は、次のように定義されています。

- document には、任意の量（ファイルサイズの上限まで）のフリーテキストコンテンツを含めることができます。
- document_file_path も必須で、ファイル形式のサフィックス（ file.txt など）が必要です。

`.csv` ファイルを使用すると、ベクターデータベースの作成時に [チャンキングなし](https://docs.datarobot.com/ja/docs/agentic-ai/vector-database/vector-dbs.html.md#chunking-settings) オプションを利用できます。 DataRobotは各行をチャンキングとして扱い、各行に埋め込みを直接生成します。

DataRobotのベクターデータベースでは、CSVの1つのテキスト列のみをプライマリーテキストコンテンツとして使用できます。 CSVに複数のテキスト列がある場合は、1つの `document` 列に連結する必要があります。 CSVには、メタデータ列として最大50個の列を追加できます。 これらの列は [メタデータのフィルター](https://docs.datarobot.com/ja/docs/agentic-ai/playground-tools/rag-chatting.html.md#metadata-filtering) に使用できます。これにより、プロンプトクエリーによって返される引用数が制限されます。

CSVに複数のテキスト列がある場合は、次のことができます。

- テキスト列を1つの document 列に結合（連結）する。
- CSVの行を個別のPDFファイル（1行につき1つのPDF）に変換し、PDFをアップロードする。

例：

大量のフリーテキストを含む1つの列 `swag` と、IDのみが含まれテキストはない2番目の列 `InventoryID` を持つCSVファイルについて考えてみます。 データからベクターデータベースを作成するには：

1. swag から document に名前を変更します。
2. InventoryID から document_file_path に名前を変更します。
3. document_file_path 列に「偽の」パスを追加します。 たとえば、11223344を /inventory/11223344.txt に変更します。 このようにして、列はファイルパスを含むものとして認識されます。

### ベクターデータベースのエクスポート

ベクターデータベースまたは特定バージョンのデータベースをデータレジストリにエクスポートして、別のユースケースで再利用できます。 エクスポートするには、ユースケースの ベクターデータベース タイルを開きます。 アクションメニュー をクリックし、 最新のベクターデータベースバージョンをデータレジストリにエクスポート を選択します。

エクスポートすると、ジョブが送信されたことが通知されます。 データアセット タイルを開き、データレジストリから使用するために登録されているデータセットを確認します。 また、AIカタログにも保存されます。

登録されると、データセットをプレビューしたり、このデータセットから新しいベクターデータベースを作成したりできます。

**データセットのプレビュー:**
エクスポートから新しいベクターデータベースを作成する前にプレビューするには、 データアセット タイルで、新しく追加したベクターデータベースの アクションメニュー から ベクターデータベースを作成 を選択します。 [プロバイダーを選択](https://docs.datarobot.com/ja/docs/agentic-ai/vector-database/vector-dbs.html.md#select-a-provider) し、 データソース ドロップダウンから データを追加 を選択します。

[https://docs.datarobot.com/ja/docs/images/vdb-export-3.png](https://docs.datarobot.com/ja/docs/images/vdb-export-3.png)

データレジストリが開きます。 DataRobotのアセット で データセット を選択し、新しくエクスポートされたベクターデータベースをクリックします。 データプレビュー では、ベクターデータベースの各 [チャンク](https://docs.datarobot.com/ja/docs/agentic-ai/vector-database/vector-dbs.html.md#chunking-settings) がデータセットの行になっていることが示されます。

[https://docs.datarobot.com/ja/docs/images/vdb-export-4.png](https://docs.datarobot.com/ja/docs/images/vdb-export-4.png)

**新しいベクターデータベースの作成:**
アクションメニュー から、 ベクターデータベースを作成 を選択します。 [データベースを設定する](https://docs.datarobot.com/ja/docs/agentic-ai/vector-database/vector-dbs.html.md) ためのモーダルが開きます。

[https://docs.datarobot.com/ja/docs/images/vdb-3a.png](https://docs.datarobot.com/ja/docs/images/vdb-3a.png)


[データレジストリ](https://docs.datarobot.com/ja/docs/workbench/nxt-registry/nxt-data-registry/nxt-explore-data.html.md) からデータセットをダウンロードし、チャンクレベルで変更してから、再度アップロードして、新しいバージョンまたは新しいベクターデータベースを作成できます。

## 外部（BYO）ベクターデータベース

外部"bring-your-own"（BYO）ベクターデータベースは、独自のモデルとデータソースを使用して、カスタムモデルデプロイをLLMブループリントのベクターデータベースとして活用する機能があります。 このベクターデータベースのタイプは、ユースケースのディレクトリリストでは `読み取り専用で接続` として識別されます。 外部ベクターデータベースをUIから使用することはできません。DataRobotのPythonクライアントを使用してChromaDBの外部ベクターデータベースを作成する方法について説明した [ノートブック](https://docs.datarobot.com/ja/docs/agentic-ai/genai-code/chromadb-vdb.html.md) を確認してください。

外部ベクターデータベースの主な機能：

- カスタムモデルの統合：独自のモデルをベクターデータベースとして組み込むことで、柔軟性とカスタマイズ性をさらに高めることができます。
- 入力および出力形式の互換性：外部BYO ベクターデータベースは、LLMブループリントとのシームレスな連携を確保するために、指定された入力および出力形式に準拠する必要があります。
- 検定と登録：カスタムモデルデプロイは、外部ベクターデータベースとして登録する前に、必要な要件を満たすように検定する必要があります。
- LLMブループリントとのシームレスな統合：登録されると、外部ベクターデータベースをローカルベクターデータベースと同様にLLMブループリントで使用できます。
- エラー処理と更新:この機能には、エラー処理と更新の機能が含まれているため、LLMブループリントの再検証や複製作成によって、カスタムモデルのデプロイにおける問題や変更に対処できます。

### 基本的な外部ワークフロー

[このノートブック](https://docs.datarobot.com/ja/docs/agentic-ai/genai-code/chromadb-vdb.html.md) で詳しく説明されている基本的なワークフローは次のとおりです。

1. APIを介してベクターデータベースを作成します。
2. カスタムモデルデプロイを作成して、ベクターデータベースをDataRobotに取り込みます。
3. デプロイが登録されたら、ノートブックでのベクターデータベース作成の一部としてデプロイにリンクします。

ユースケース内の ベクターデータベース タブから、ユースケースのすべてのベクターデータベース（および関連バージョン）を表示できます。 外部ベクターデータベースの場合、ソースタイプのみが表示されます。 これらのベクターデータベースはDataRobotによって管理されていないため、他のデータはレポートには利用できません。.