Vector Databases Interview Questions Hindi mein

Vector Databases कोर्स के 30 सवाल, हर सवाल के सही जवाब और explanation के साथ। जवाब देखने से पहले ख़ुद सोचें।

Vector Database क्या है

1. ANN index library के अलावा vector database क्या जोड़ता है?

  1. मुफ़्त GPUs
  2. नया embedding model
  3. टिकाऊपन, अद्यतन, filters, access control, replication और संचालन
  4. हमेशा पूर्ण recall
जवाब देखें

जवाब: टिकाऊपन, अद्यतन, filters, access control, replication और संचालन

Database तेज़ index को भरोसेमंद system बनाता है।

पाठ: Vectors को Database क्यों चाहिए

2. कौन-सा परिवार vectors को मौजूदा relational डेटा के पास SQL के साथ रखने देता है?

  1. pgvector जैसा extension
  2. सादी ANN library
  3. CDN
  4. Message queue
जवाब देखें

जवाब: pgvector जैसा extension

pgvector PostgreSQL में vector types और indexes जोड़ता है।

पाठ: परिदृश्य: Libraries, Extensions, समर्पित Engines, Managed Services

3. Record IDs दस्तावेज़ ID और chunk संख्या से क्यों बनाएँ?

  1. Databases अन्य IDs मना करते हैं
  2. IDs random होनी चाहिए
  3. यह vectors छोटे करता है
  4. दोबारा ingest करने पर duplicate नहीं, overwrite होता है
जवाब देखें

जवाब: दोबारा ingest करने पर duplicate नहीं, overwrite होता है

स्थिर IDs अद्यतन को idempotent बनाती हैं।

पाठ: Data Model: Collections, Records, Payloads और Namespaces

4. कुछ vector engines में नई लिखावट के लिए "eventual consistency" का क्या अर्थ है?

  1. वह लिखे जाने से पहले खोज योग्य है
  2. वह थोड़ी देरी के बाद खोज योग्य बन सकती है
  3. वह कभी खोज योग्य नहीं
  4. वह index की जगह लेती है
जवाब देखें

जवाब: वह थोड़ी देरी के बाद खोज योग्य बन सकती है

जब तक engine दस्तावेज़ न करे, read-your-writes न मानें।

पाठ: क्या अपेक्षा रखें: Approximate, Eventually Consistent, सामान्य Database नहीं

pgvector: PostgreSQL के भीतर Vectors

5. vector(3) column में ग़लत आयाम का vector insert करने पर क्या होता है?

  1. वह चुपचाप padding से भरा जाता है
  2. Error उठता है
  3. वह पाठ के रूप में रखा जाता है
  4. Database restart होता है
जवाब देखें

जवाब: Error उठता है

आयाम जाँच embedding models के मिश्रण को जल्दी पकड़ती है।

पाठ: vector Column वाली Table बनाना

6. <#> ऋणात्मक inner product क्यों है?

  1. Inner products स्वभाव से ऋणात्मक होते हैं
  2. यह bug है
  3. जगह बचाने के लिए
  4. ताकि आरोही ORDER BY हर operator के लिए सबसे पास पहले लौटाए
जवाब देखें

जवाब: ताकि आरोही ORDER BY हर operator के लिए सबसे पास पहले लौटाए

बड़ा inner product पास दर्शाता है, इसलिए "छोटा मतलब पास" में फ़िट करने को उसे उलटा किया जाता है।

पाठ: Distance Operators और ORDER BY

7. Filtering के लिए pgvector की एक ताक़त कौन-सी है?

  1. पूरा SQL: joins, सीमाएँ, row-level security
  2. कोई filtering संभव नहीं
  3. सिर्फ़ एक field पर equality
  4. Filtering सिर्फ़ prompt में
जवाब देखें

जवाब: पूरा SQL: joins, सीमाएँ, row-level security

Relational database में vector बस एक और column है।

पाठ: WHERE से Filtering: SQL और Vectors साथ

8. Transactions vector डेटा को क्या लाभ देते हैं?

  1. स्वतः अधिक recall
  2. तेज़ embeddings
  3. पाठ और embedding का परमाणु अद्यतन, और rollback
  4. Backups की ज़रूरत नहीं
जवाब देखें

जवाब: पाठ और embedding का परमाणु अद्यतन, और rollback

Row-स्तर की ACID semantics vector column पर भी लागू होती है।

पाठ: Transactions और Types: vector, halfvec

Practice में Indexing

9. Index जोड़ने के बाद भी सटीक scan क्यों रखें?

  1. इसके बिना indexes उपयोग नहीं हो सकते
  2. यह index से हमेशा तेज़ है
  3. यह index का recall मापने का ground truth देता है
  4. यह भंडारण घटाता है
जवाब देखें

जवाब: यह index का recall मापने का ground truth देता है

Recall सिर्फ़ सटीक उत्तर के सापेक्ष परिभाषित है।

पाठ: Index के बिना: सटीक Sequential Scan

10. कैसे पुष्टि करें कि PostgreSQL HNSW index उपयोग करता है?

  1. EXPLAIN उस index पर Index Scan दिखाता है
  2. Table छोटी हो जाती है
  3. Row count बदलता है
  4. Server restart करके
जवाब देखें

जवाब: EXPLAIN उस index पर Index Scan दिखाता है

Planner क्या करता है इसका स्रोत plan है।

पाठ: HNSW Index बनाना और Plan पढ़ना

11. HNSW index का recall कैसे मापते हैं?

  1. इसे मापा नहीं जा सकता
  2. उसकी rows गिनकर
  3. Table का नाम पढ़कर
  4. Queries के नमूने पर उसके परिणामों की सटीक खोज से तुलना करके
जवाब देखें

जवाब: Queries के नमूने पर उसके परिणामों की सटीक खोज से तुलना करके

Recall = approximate और सटीक top-k परिणामों का overlap।

पाठ: Recall मापना और Tune करना (ef_search)

12. pgvector में समान गति पर आम तौर पर बेहतर recall कौन-सा index प्रकार देता है?

  1. IVFFlat
  2. HNSW
  3. कोई नहीं; वे समान हैं
  4. B-tree
जवाब देखें

जवाब: HNSW

IVFFlat तेज़ builds और कम memory के लिए कुछ recall छोड़ता है।

पाठ: Index आकार, Build समय और IVFFlat

Filtered और Hybrid Search

13. HNSW index के साथ बहुत चयनात्मक filter बहुत कम rows क्यों लौटा सकता है?

  1. Filters की अनुमति नहीं है
  2. Index निकटतम उम्मीदवारों की निश्चित संख्या लौटाता है और filter फिर अधिकांश हटा देता है
  3. Table ख़ाली है
  4. Vectors के tenants नहीं हो सकते
जवाब देखें

जवाब: Index निकटतम उम्मीदवारों की निश्चित संख्या लौटाता है और filter फिर अधिकांश हटा देता है

छोटे उम्मीदवार समूह का post-filtering कुछ नहीं छोड़ सकता; iterative scans या filter-जागरूक खोज उपयोग करें।

पाठ: Filtered-Search की समस्या

14. कुछ बहुत बड़े tenants के लिए कौन-सा डिज़ाइन हर tenant को सटीक index देता है?

  1. UI में filtering
  2. tenant column के बिना एक index
  3. कोई index नहीं
  4. प्रति tenant partial index (या partition)
जवाब देखें

जवाब: प्रति tenant partial index (या partition)

तब हर index में सिर्फ़ मेल खा सकने वाली rows होती हैं।

पाठ: Pre-Filtering, Partial Indexes और Partitions

15. Hybrid search के लिए rank-आधारित fusion लोकप्रिय क्यों है?

  1. Keyword और vector scores अलग पैमानों पर हैं; ranks तुलनीय हैं
  2. इसे ranking नहीं चाहिए
  3. यह vectors की ज़रूरत हटाता है
  4. यह जानबूझकर queries धीमी करता है
जवाब देखें

जवाब: Keyword और vector scores अलग पैमानों पर हैं; ranks तुलनीय हैं

RRF असंगत scores के calibration से बचाता है।

पाठ: Hybrid Search: Full-Text और Vectors

16. Qdrant की filtered खोज को मज़बूत क्या बनाता है?

  1. वह सिर्फ़ सटीक खोज समर्थित करता है
  2. वह filters अनदेखे करता है
  3. Payload शर्तें graph traversal के दौरान जाँची जाती हैं, payload indexes के साथ
  4. Filters browser में चलते हैं
जवाब देखें

जवाब: Payload शर्तें graph traversal के दौरान जाँची जाती हैं, payload indexes के साथ

Filter-जागरूक traversal बहुत कम परिणाम लौटाने से बचाता है।

पाठ: समर्पित Engine में Filtering: Qdrant

अन्य Engines और उनकी तुलना कैसे करें

17. दस्तावेज़ बिना embeddings के add करने पर Chroma क्या करता है?

  1. उन्हें images के रूप में रखता है
  2. सारे inserts अस्वीकार करता है
  3. उन्हें बनाने के लिए configured embedding function बुलाता है
  4. Collection हटाता है
जवाब देखें

जवाब: उन्हें बनाने के लिए configured embedding function बुलाता है

सुविधाजनक, पर मॉडल डाउनलोड या call कर सकता है; नियंत्रण के लिए अपने vectors दें।

पाठ: Chroma: Developer-अनुकूल Embedded Store

18. Engines की तुलना feature तालिकाओं की जगह अपने कार्यभार के सवालों से क्यों करें?

  1. Feature सूचियाँ एक जैसी दिखती हैं और अक्सर बदलती हैं; आपके डेटा पर व्यवहार निर्णय करता है
  2. सुविधाएँ कभी मायने नहीं रखतीं
  3. Vendors तुलना मना करते हैं
  4. तालिकाएँ हमेशा ग़लत हैं
जवाब देखें

जवाब: Feature सूचियाँ एक जैसी दिखती हैं और अक्सर बदलती हैं; आपके डेटा पर व्यवहार निर्णय करता है

चुनने से पहले अपने vectors, filters और भार से परखें।

पाठ: Engines की तुलना: व्यावहारिक Checklist

19. Benchmark को latency के साथ recall क्यों रिपोर्ट करना चाहिए?

  1. Latency अर्थहीन है
  2. Recall latency का एक प्रकार है
  3. यह SQL के लिए ज़रूरी है
  4. कोई system बदतर परिणाम लौटाकर ही तेज़ दिख सकता है
जवाब देखें

जवाब: कोई system बदतर परिणाम लौटाकर ही तेज़ दिख सकता है

Engines की तुलना समान recall पर करें, डिफ़ॉल्ट settings पर नहीं।

पाठ: ईमानदारी से Benchmarking

बड़े पैमाने पर संचालन

20. लिखावट को निश्चित IDs से idempotent क्यों बनाएँ?

  1. Vectors बड़े करने के लिए
  2. ताकि विफलताओं के बाद retries duplicates न बना सकें
  3. Indexes से बचने के लिए
  4. Embeddings तेज़ करने के लिए
जवाब देखें

जवाब: ताकि विफलताओं के बाद retries duplicates न बना सकें

वही ID दो बार upsert करने से एक record बचता है।

पाठ: Bulk Ingestion और Batching

21. Sharded vector database में query का उत्तर कैसे मिलता है?

  1. सिर्फ़ पहला shard खोजा जाता है
  2. हर shard अपना स्थानीय top-k लौटाता है और coordinator उन्हें मिलाता है
  3. Client disks खोजता है
  4. Shards लिखते समय मिलाए जाते हैं
जवाब देखें

जवाब: हर shard अपना स्थानीय top-k लौटाता है और coordinator उन्हें मिलाता है

Fan-out और merge वैश्विक निकटतम पड़ोसी देता है।

पाठ: Sharding: डेटा को मशीनों में बाँटना

22. N=3 प्रतियों के साथ कौन-सी setting read-your-writes की गारंटी देती है?

  1. Replication इसकी गारंटी नहीं दे सकता
  2. W=1 और R=1
  3. W=0 और R=3
  4. W=2 और R=2
जवाब देखें

जवाब: W=2 और R=2

W + R > N का अर्थ समूह overlap करते हैं: 2 + 2 > 3।

पाठ: Replication, Quorums और Read-Your-Writes

23. कागज़ी क्षमता अनुमान के बाद क्या करना चाहिए?

  1. प्रतिनिधि नमूने पर load test से पुष्टि करें
  2. तुरंत hardware ख़रीदें
  3. Overhead अनदेखा करें
  4. Replicas छोड़ें
जवाब देखें

जवाब: प्रतिनिधि नमूने पर load test से पुष्टि करें

Engines अपना overhead जोड़ते हैं; असली माप सूत्रों से बेहतर हैं।

पाठ: क्षमता योजना: Memory ही बजट है

सुरक्षा, Backups और चुनाव

24. Tenant अलगाव कहाँ लागू होना चाहिए?

  1. सिर्फ़ UI में
  2. सिर्फ़ prompt में
  3. Database में (row-level security, collections या namespaces), स्वचालित रूप से परखा हुआ
  4. कहीं नहीं
जवाब देखें

जवाब: Database में (row-level security, collections या namespaces), स्वचालित रूप से परखा हुआ

Application कोड या prompts ग़लत हों तब भी अलगाव टिकना चाहिए।

पाठ: सुरक्षा और Multi-Tenancy

25. नए embedding model पर कैसे बदलना चाहिए?

  1. मॉडल बदलें और पुराने vectors रखें
  2. पुराने और नए vectors एक ही index में मिलाएँ
  3. नया index बनाएँ, सब दोबारा embed करें, तुलना करें, फिर rollback विकल्प के साथ बदलें
  4. स्रोत हटाएँ
जवाब देखें

जवाब: नया index बनाएँ, सब दोबारा embed करें, तुलना करें, फिर rollback विकल्प के साथ बदलें

अलग मॉडल असंगत spaces बनाते हैं।

पाठ: Backups, Migrations और Re-Embedding

26. Upgrade के बाद खोज गुणवत्ता की चुपचाप हानि कौन-सा metric पकड़ता है?

  1. Golden set या नमूना queries पर सटीक खोज के विरुद्ध recall@k
  2. अकेला server uptime
  3. CPU temperature
  4. Tables की संख्या
जवाब देखें

जवाब: Golden set या नमूना queries पर सटीक खोज के विरुद्ध recall@k

Uptime पूर्ण हो सकता है जबकि परिणाम चुपचाप बिगड़ते हैं।

पाठ: Monitoring और लागत

सब कुछ जोड़ना

27. केस स्टडी PostgreSQL + pgvector से क्यों शुरू होता है?

  1. अन्यत्र vector search असंभव है
  2. PostgreSQL हमेशा सबसे तेज़ विकल्प है
  3. समर्पित engines filter नहीं कर सकते
  4. यह vectors को मौजूदा डेटा के साथ रखता है, row-level security समर्थित करता है, और टीम पहले से इसे चलाती है
जवाब देखें

जवाब: यह vectors को मौजूदा डेटा के साथ रखता है, row-level security समर्थित करता है, और टीम पहले से इसे चलाती है

जो चलाते हैं उससे शुरू करें; सिर्फ़ मापी ज़रूरतें माँगें तब बदलें।

पाठ: केस स्टडी: SaaS Knowledge Base के लिए Store चुनना और चलाना

28. आप HNSW query में `WHERE tenant = 7` filter जोड़ते हैं और tenant 7 का डेटा होने पर भी शून्य rows मिलती हैं। संभावित कारण और सुधार क्या है?

  1. Index ने डेटा हटा दिया
  2. छोटी उम्मीदवार सूची का post-filtering; iterative scans चालू करें या partial indexes/filter-जागरूक खोज उपयोग करें
  3. Vectors filter नहीं हो सकते
  4. Server घड़ी ग़लत है
जवाब देखें

जवाब: छोटी उम्मीदवार सूची का post-filtering; iterative scans चालू करें या partial indexes/filter-जागरूक खोज उपयोग करें

Index पहले निकटतम उम्मीदवार लौटाता है; filter फिर उन्हें हटाता है।

पाठ: Revision: Cheat Sheet और Self-Check

29. HNSW tuning के बारे में कौन-सा कथन सही है?

  1. ef_search का कोई प्रभाव नहीं
  2. ef_search बढ़ाने से recall और latency बढ़ती हैं; सटीक खोज के विरुद्ध recall मापें
  3. कम ef_search हमेशा recall सुधारता है
  4. Recall मापा नहीं जा सकता
जवाब देखें

जवाब: ef_search बढ़ाने से recall और latency बढ़ती हैं; सटीक खोज के विरुद्ध recall मापें

Recall और latency ef_search knob पर समझौता करते हैं।

पाठ: Revision: Cheat Sheet और Self-Check

30. आपका cluster हर shard की 3 प्रतियाँ रखता है। कौन-सी write और read settings आपके नवीनतम acknowledged write को पढ़ने की गारंटी देती हैं?

  1. कोई मायने नहीं रखता
  2. 1 पर लिखें और 1 से पढ़ें
  3. 1 पर लिखें और भाग्य से 2 से पढ़ें
  4. 2 पर लिखें और 2 से पढ़ें
जवाब देखें

जवाब: 2 पर लिखें और 2 से पढ़ें

W + R > N गारंटी देता है कि write और read समूह overlap करते हैं।

पाठ: Revision: Cheat Sheet और Self-Check

← कोर्स पर वापस जाएँ