Vektor-Suche

Eine klassische Suche vergleicht Buchstabenfolgen. Wer « Fahrrad reparieren » eingibt, findet Seiten, in denen genau diese Wörter stehen. Ein Text über « Reifen am Bike flicken » wird dabei übersehen, obwohl er genau passt. Die Vektor-Suche löst dieses Problem anders. Sie lässt jeden Inhalt vorher von einem KI-Modell in eine lange Liste von Zahlen übersetzen, die seine Bedeutung beschreibt. Solche Zahlenlisten nennt man Vektoren. Zwei Inhalte mit ähnlicher Bedeutung erhalten ähnliche Zahlen, und die Suche liefert alles, was der Anfrage nahe kommt.

Warum Suchen an Wörtern scheitern

Sprache ist unordentlich. Für dieselbe Sache gibt es viele Wörter, und dasselbe Wort kann verschiedene Dinge bedeuten. Eine reine Wortsuche muss deshalb mit Synonymlisten und Regeln nachgerüstet werden. Diese Listen pflegt jemand von Hand, und sie sind nie vollständig.

Die Vektor-Suche braucht solche Listen nicht. Sie hat aus riesigen Textmengen gelernt, welche Formulierungen in ähnlichen Zusammenhängen auftauchen. Deshalb funktioniert sie auch über Sprachgrenzen hinweg. Eine deutsche Frage kann einen englischen Absatz finden, wenn das Modell beide Sprachen gelernt hat.

Besonders wichtig wurde das mit Chatbots. Ein Sprachmodell weiß nichts über die internen Dokumente einer Firma. Man kann ihm aber vor der Antwort passende Textstellen mitgeben. Das Heraussuchen dieser Stellen übernimmt fast immer eine Vektor-Suche. Dieses Vorgehen heißt Retrieval Augmented Generation, kurz RAG, und ist heute der übliche Weg, ein Sprachmodell mit eigenem Wissen zu verbinden.

Von der Bedeutung zur Zahlenreihe

Der erste Schritt heißt Einbettung, auf Englisch Embedding. Ein spezielles Modell liest einen Textabschnitt und gibt einen Vektor aus, oft mit einigen hundert bis wenigen tausend Zahlen. Man kann sich das als Punkt in einem sehr hochdimensionalen Raum vorstellen. Texte über Fahrräder landen in einer Ecke, Texte über Kochrezepte in einer anderen.

Bei einer Anfrage wird auch die Frage in einen Vektor verwandelt. Dann sucht das System die Punkte mit dem kleinsten Abstand. Meist misst man dazu nicht den Luftlinienabstand, sondern den Winkel zwischen den Zahlenreihen. Wichtig ist nur das Prinzip: kleiner Abstand bedeutet ähnliche Bedeutung.

Bei Millionen Einträgen wäre es zu langsam, jeden einzelnen zu vergleichen. Deshalb legen Vektordatenbanken eine Art Landkarte über die Punkte an, einen Index. Die Suche springt zuerst in die passende Gegend und vergleicht nur dort genau. Man nennt das eine Näherungssuche, weil sie gelegentlich einen guten Treffer verpasst. Dafür antwortet sie in Millisekunden statt in Minuten. Ein häufiger Irrtum ist, die Vektor-Suche ersetze die Wortsuche vollständig. In der Praxis kombiniert man beides, weil Namen, Artikelnummern und Datumsangaben exakt gefunden werden müssen.

Vektor-Suche in Produkten und Schlagzeilen

Im Alltag begegnet man ihr ständig, ohne den Namen zu hören. Die Fotogalerie am Handy findet Bilder mit Hunden, obwohl niemand sie beschriftet hat. Streamingdienste schlagen ähnliche Songs vor. Shopsuchen verstehen « warme Jacke für Herbst », auch wenn im Produkttitel « Steppmantel » steht.

In Firmen steckt die Technik in Assistenten für Handbücher, Verträge und Support-Tickets. Ein Mitarbeiter fragt in normaler Sprache, das System sucht die passenden Absätze und ein Sprachmodell formuliert die Antwort. Genau dieser Aufbau erklärt, warum Anbieter von Vektordatenbanken wie Pinecone, Weaviate oder Qdrant in den Wirtschaftsnachrichten auftauchen. Auch etablierte Datenbanken wie PostgreSQL oder Elasticsearch haben Vektorfunktionen nachgerüstet.

Für dich als Leser von Tech-News heißt das: Wenn von semantischer Suche, Embeddings oder RAG die Rede ist, geht es im Kern um Vektor-Suche. Und wenn ein Chatbot eine falsche Quelle zitiert, liegt der Fehler oft nicht im Sprachmodell. Häufig hat die Suche vorher die falschen Textstellen geliefert.