Query-Modell

Wenn du bei einer Suchmaschine etwas eingibst, passiert im Hintergrund mehr als ein einfacher Textvergleich. Ein Query-Modell — „Query“ ist das englische Wort für Suchanfrage — wandelt deinen Suchbegriff in eine mathematische Darstellung um und vergleicht sie mit ebenso dargestellten Dokumenten. So findet das System nicht nur Seiten, auf denen genau deine Wörter stehen, sondern auch solche, die dasselbe meinen, aber andere Begriffe verwenden. Das Modell hat gelernt, Bedeutung zu erkennen, nicht nur Buchstaben zu zählen.

Warum Query-Modelle die Suche verändert haben

Ältere Suchmaschinen arbeiteten mit einem einfachen Prinzip: Je öfter dein Suchbegriff in einem Dokument auftauchte, desto relevanter war es. Das funktionierte für einfache Anfragen, scheiterte aber an Sprache. Wer nach „Herzinfarkt“ suchte, fand keine Seite, die nur von „Myokardinfarkt“ sprach — obwohl es dasselbe ist.

Query-Modelle lösen dieses Problem, weil sie auf Bedeutungsebene arbeiten. Sie wurden mit riesigen Mengen an Texten und Suchverläufen trainiert und haben dabei gelernt, welche Anfragen zu welchen Inhalten passen. Das macht Suche robuster gegenüber Tippfehlern, Synonymen und unterschiedlichen Formulierungen. Für Unternehmen ist das wirtschaftlich entscheidend: Eine Suchmaschine, die relevantere Ergebnisse liefert, hält Nutzer länger auf der Plattform.

Vom Suchbegriff zum Treffer: der Abgleich im Inneren

Das Herzstück eines Query-Modells ist die Umwandlung von Text in sogenannte Vektoren — das sind lange Listen von Zahlen, die die Bedeutung eines Textes kodieren. Stell dir jeden Text als Punkt in einem riesigen Koordinatensystem vor. Texte, die inhaltlich ähnlich sind, landen als Punkte nah beieinander. Deine Suchanfrage wird zu einem solchen Punkt, und das System sucht die Dokumente, deren Punkte am nächsten liegen.

In der Praxis gibt es oft zwei getrennte Modelle: eines für die Anfrage und eines für die Dokumente. Beide lernen, ihre Texte so in Vektoren zu verwandeln, dass passende Paare nah beieinander und unpassende weit voneinander entfernt landen. Dieses Verfahren nennt sich Bi-Encoder-Architektur. Es ist schnell genug, um in Millisekunden durch Millionen von Dokumenten zu suchen — was bei einer Suchmaschine unverzichtbar ist.

Es gibt auch präzisere, aber langsamere Varianten, die Anfrage und Dokument gemeinsam analysieren, statt sie getrennt zu kodieren. Diese sogenannten Cross-Encoder werden oft nachgeschaltet, um die vielversprechendsten Treffer aus dem ersten Schritt nochmals genauer zu bewerten. So entsteht ein zweistufiges System aus Geschwindigkeit und Genauigkeit.

Query-Modelle in Produkten und Schlagzeilen

Google, Bing und andere Suchmaschinen setzen Query-Modelle seit Jahren ein. Googles Modell namens BERT, 2019 eingeführt, war ein öffentlich viel diskutierter Schritt: Es verstand erstmals den Kontext ganzer Sätze, nicht nur einzelner Schlüsselwörter. Seitdem hat sich die Suche für Millionen Nutzer spürbar verbessert, besonders bei langen oder umgangssprachlichen Anfragen.

Auch außerhalb klassischer Suchmaschinen stecken Query-Modelle in vielen Produkten. Spotify nutzt ähnliche Prinzipien, um Songempfehlungen zu berechnen. Online-Shops schlagen Artikel vor, die zu einer Suchanfrage passen, auch wenn der exakte Begriff im Produkttitel fehlt. Und in KI-Assistenten wie Chatbots werden Query-Modelle eingesetzt, um aus einer Wissensdatenbank die richtigen Textabschnitte zu holen, bevor ein Sprachmodell die eigentliche Antwort formuliert — dieses Verfahren wird als Retrieval-Augmented Generation bezeichnet.

In Finanznachrichten taucht der Begriff auf, wenn Unternehmen wie Cohere, Elasticsearch oder OpenAI neue Versionen ihrer Such- und Einbettungsmodelle vorstellen. Die Leistung dieser Modelle wird auf öffentlichen Bestenlisten, sogenannten Benchmarks, verglichen — und Verbesserungen dort gelten als Gradmesser dafür, wie gut ein Anbieter im Bereich Informationssuche aufgestellt ist.