Chroma

Chromaとは？

Chromaは、テキストや画像などのデータを数値に変換(埋め込み)して保存し、AIアプリケーションが意味的に似たデータを瞬時に検索できるオープンソースのベクトルデータベースです。 大規模言語モデル(LLM)が正確な回答を引き出すために、RAG(検索拡張生成)技術で活躍します。開発者はたった数行のコードでChromaを組み込め、複雑なセットアップなしにセマンティック検索機能を実装できます。

ひとことで言うと： 「AIが『似た情報』を瞬時に見つけられる頭脳で、図書館の司書が意味で本を探すのと同じ仕組みです。」

ポイントまとめ：

• 何をするものか： データを数値化して保存し、意味的に似たデータを高速検索
• なぜ必要か： LLMが正確な回答を得るために、外部知識ベースから関連情報を効率的に引き出せる
• 誰が使うか： AI開発者、チャットボット開発企業、検索システム構築者

なぜ重要か

従来のテキスト検索(キーワード検索)では、完全一致する単語がないと検索できないという問題がありました。例えば「犬」を検索しても「子犬」や「毛並みの美しい動物」といった関連情報は見つかりません。Chromaはデータを意味で理解し検索するため、このような検索漏れが減ります。AI技術の進化で大規模言語モデルの利用が広がっていますが、LLMは古い情報や限定的な知識しか持っていません。Chromaを使うと、組織の最新ドキュメント、顧客データ、専門知識をLLMに「参考資料」として渡せるため、より正確で信頼性の高い回答が実現できます。これが検索拡張生成(RAG)の核心です。

仕組みをわかりやすく解説

Chromaの基本的な流れは次のとおりです。まず、組織が保有するドキュメント(マニュアル、FAQ、ブログ記事など)を埋め込み(embedding)という数値ベクトルに変換して保存します。次に、ユーザーが「これについて知りたい」と質問すると、その質問文も同じ方法で埋め込みに変換され、保存されたドキュメントの埋め込みと比較されます。Chromaは「最も近い」埋め込みを持つドキュメント(つまり意味的に似ているドキュメント)を高速に検索し、それらをLLMに提供します。LLMはこの参考資料を基に、より正確な回答を生成できます。これにより、LLMの「ハルシネーション」(根拠のない答え)を減らせます。

コアコンセプト

埋め込み

埋め込みは、データのセマンティックな意味をエンコードする密なベクトルです。例えば、文章、画像、音声クリップは、数百または数千の数値のベクトルに変換できます。意味が類似したデータポイントは、元のデータが大きく異なっていても、類似した埋め込み(つまり、ベクトル空間で「近い」)を持ちます。

Chromaは、以下を含む人気のあるモデルで生成された埋め込みをサポートしています:

• OpenAIのtext-embeddingモデル(例:text-embedding-3-small)
• HuggingFaceモデル(例:all-MiniLM-L6-v2)
• Cohere、OpenCLIP、カスタム埋め込み

これは、セマンティック検索、レコメンデーション、検索拡張生成の基礎となります。

コレクション

Chromaのコレクションは、ドキュメント、埋め込み、および関連するメタデータの論理的なグループです。各コレクションには、埋め込み関数/モデル、保存場所(インメモリまたは永続)、パフォーマンスやフィルタリングのためのオプションのカスタム設定を含む独自の構成があります。

これにより、別々のAIアプリケーションやプロジェクトを並行して実行でき、それぞれが特定のニーズに合わせて調整されます。

メタデータとハイブリッド検索

Chromaでは、各ドキュメントまたはベクトルに任意のキー・バリューのメタデータを関連付けることができます。これにより、ハイブリッド検索が可能になります:メタデータ(例:著者、日付、タグ)で結果をフィルタリングし、ベクトル類似度でランク付けします。

サポートされる演算子には、等価・不等価、範囲クエリ($gt、$lt)、集合メンバーシップ($in)、論理結合($and、$or)が含まれます。

Chromaの仕組み

ベクトルインデックスと類似度検索

Chromaは、高速な近似最近傍(ANN)検索のために階層的ナビゲート可能スモールワールド(HNSW)グラフを使用します。HNSWは、高次元ベクトル類似度検索のための最先端のアルゴリズムで、再現率(精度)と速度のバランスを取り、数百万のベクトルにスケールします。

主な特性:

• 大規模データセットに対する準線形検索時間
• 高い再現率/精度(設定可能)
• 動的な挿入と効率的な削除をサポート

ドキュメントとメタデータの保存

Chromaの各エントリには、生のドキュメント/コンテンツ(テキスト、画像URI等)、ベクトル埋め込み、および関連するメタデータ(任意のキー・バリューJSON)が含まれます。これにより、ハイブリッドクエリと完全なセマンティック検索が可能になります。

Chromaはデータを以下の方法で保存できます:

• インメモリ(最速、非永続)
• ディスク上(メタデータ用SQLite、ベクトル用バイナリファイル)
• Chroma Cloud(完全マネージド)

APIとクライアントライブラリ

Chromaは、4つの主要な操作を持つ最小限で直感的なAPIを提供します:

• Add: ドキュメントを挿入(オプションで埋め込みとメタデータ付き)
• Update: 保存されたエントリを変更
• Delete: エントリを削除
• Query: ベクトル検索で類似ドキュメントを取得、オプションのメタデータフィルタ付き

Python(chromadb)とJavaScript/TypeScript用のクライアントライブラリが存在します。ChromaはLangChainやLlamaIndexなどのフレームワークとネイティブに統合されます。

アーキテクチャとデプロイメント

オープンソース(セルフホスト)

Chromaは、ローカルまたは独自のインフラストラクチャで3つのモードで実行できます:

インメモリ: 高速、一時的、プロトタイピングやテストに最適
永続: ディスクにデータを保存(SQLite + バイナリベクトルファイル)、ローカル/小規模本番環境に適している
クライアント-サーバー: スタンドアロンサーバーとして実行、HTTP API経由で接続(マルチユーザー、マルチプロセスをサポート)

サーバー起動例:

chroma run --path ./db --port 8000

Pythonクライアント:

import chromadb
client = chromadb.HttpClient(host="localhost", port=8000)

Chroma Cloud(サーバーレス)

Chroma Cloudは完全マネージドのサーバーレスデプロイメントです。弾力的なスケーリング、自動バックアップと高可用性、メンテナンスとモニタリングを処理します。

接続例:

import chromadb
client = chromadb.HttpClient(
    host="api.trychroma.com",
    headers={"Authorization": f"Bearer {CHROMA_API_KEY}"}
)

関連用語

• 大規模言語モデル(LLM) — Chromaと組み合わせて使う、テキスト生成の基盤となるAIモデル。RAGで正確さが大幅に向上
• 検索拡張生成(RAG) — 外部知識ベース(Chromaなど)から情報を取得し、LLMの回答精度を上げる技術
• ベクトルデータベース — Chromaの分類。数値ベクトルを効率的に保存・検索するデータベース
• 埋め込み(embedding) — テキストや画像を数値ベクトルに変換するプロセス。Chromaの基礎
• セマンティック検索 — キーワード完全一致ではなく、意味的な関連性で検索する方法

セットアップと統合

インストール

Python:

pip install chromadb

LangChain統合の場合:

pip install langchain-chroma

基本的な使用例

import chromadb

client = chromadb.Client()
collection = client.create_collection("documents")

collection.add(
    documents=[
        "Artificial intelligence is transforming healthcare diagnostics",
        "Machine learning models predict patient outcomes with increasing accuracy",
        "Neural networks analyze medical imaging faster than radiologists"
    ],
    ids=["doc1", "doc2", "doc3"]
)

results = collection.query(
    query_texts=["AI applications in medicine"],
    n_results=2
)

print(results)

このコードは、コレクションを作成し、ドキュメントを挿入し、セマンティック検索クエリを実行します。

埋め込み関数の設定

Chromaコレクションは異なる埋め込みモデルを使用できます。OpenAI埋め込みを使用するには:

from chromadb.utils.embedding_functions import OpenAIEmbeddingFunction

openai_ef = OpenAIEmbeddingFunction(
    api_key="your-api-key",
    model_name="text-embedding-3-small"
)

collection = client.create_collection(
    name="openai_embeddings",
    embedding_function=openai_ef
)

LangChain統合

LangChainは、RAG、チャットボット、メモリなどの高度なワークフローをサポートする、Chroma用のネイティブラッパーを提供します。

例:

from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
vector_store = Chroma(
    collection_name="example_collection",
    embedding_function=embeddings,
    persist_directory="./chroma_langchain_db",
)

コア機能

オープンソースApache 2.0 - ロックインなし、拡張可能、コミュニティ駆動(GitHub Stars 24k+)
高速ANN検索 - 準線形検索時間のためのHNSWグラフインデックス
ドキュメントとメタデータの保存 - 各埋め込みはドキュメントとユーザー定義のメタデータに関連
ハイブリッド検索 - セマンティック(ベクトル)検索とキーワード検索を組み合わせ
マルチモーダルサポート - テキスト、画像などを保存/検索
バッチ操作 - 効率のための一括挿入とクエリ
シンプルなAPI - 追加、更新、削除、検索
統合 - LangChain、LlamaIndex、OpenAI、HuggingFace、Cohere、OpenCLIPとネイティブ統合
柔軟なデプロイメント - インメモリ、永続、クライアント-サーバー、マネージドクラウド
活発なコミュニティ - Discord、GitHub、ドキュメント

主なユースケース

セマンティック検索

Chromaは、キーワードだけでなく埋め込みを比較することでセマンティック検索を実現します。アプリケーションには、eコマース(「快適な夏の靴」を検索すると、異なる表現でも関連する結果を返す)、ナレッジマネジメント(社内wiki、サポートチケット、コードベース全体を検索)、ヘルスケア(類似のケース、研究、診断画像を検索)が含まれます。

レコメンデーションシステム

埋め込みの類似性により類似したアイテム/ユーザーを見つけます。パーソナライズされた製品/ニュース/記事のレコメンデーション、アイテム間またはユーザー間のマッチングを可能にします。

検索拡張生成(RAG)

RAGにより、LLMはリアルタイムで外部ナレッジベースにアクセスでき、精度が向上し、ハルシネーションが減少します。チャットボットは特定のドキュメントを引用し、アシスタントは最新の企業知識で回答します。

画像、音声、マルチモーダル検索

画像、テキストなどを共有ベクトル空間に埋め込みます。ビジュアル検索(類似画像を検索)、クロスモーダル(テキストで画像を検索、逆も可)、マルチメディアデータセットの整理を可能にします。

チャットボットとAIアプリケーション

ChromaはLLMとチャットボットのための永続的なセマンティックメモリとして機能します。会話履歴や関連する知識スニペットを取得し、コンテキストを考慮した応答を実現します。

データサイエンスと分析

高次元データの探索的データ分析、金融/セキュリティログの異常検知、ナレッジグラフやセマンティックマップの構築をサポートします。

パフォーマンス最適化

Chromaは開発者の速度と効率のために設計されていますが、最適化のヒントには以下が含まれます:

バッチ操作 - オーバーヘッドを減らすために一括で挿入/クエリ
埋め込み次元数 - 低次元ベクトルはメモリ使用量が少なく、検索が高速(精度の犠牲を伴う可能性あり)
インデックス圧縮 - 頻繁な削除/更新後にHNSWインデックスを圧縮
メタデータ事前フィルタリング - 類似度計算前にメタデータでフィルタリングして計算量を削減

例:

collection.add(
    documents=large_document_list,
    ids=id_list,
    metadatas=metadata_list
)

比較と代替

Chroma vs. Pinecone、Faiss、Weaviate、Qdrant、Milvus

エコシステムスナップショット:

• Chroma: OSS、簡単なセットアップ、ハイブリッド検索、プロトタイピング/開発速度に最適
• Pinecone: マネージド、分散、エンタープライズグレード、マルチインデックスサポート、高スケール
• Faiss: OSS、研究/ML重視、C++/Python、データベースではない(ドキュメント/メタデータ保存なし)
• Weaviate: OSS、分散、ハイブリッド検索、スキーマ、マルチテナント
• Qdrant: OSS、分散、フィルタリング、REST/gRPC、高パフォーマンス
• Milvus: OSS、クラウドネイティブ、GPUサポート、超高スケール

参考文献

• Chroma GitHubリポジトリ
• Chromaドキュメント
• LangChain Chroma統合
• Netflix Chaos Monkey
• Pineconeドキュメント
• Faiss GitHubリポジトリ
• Weaviateドキュメント
• Qdrantドキュメント
• Milvusドキュメント