Semantische Suche
Die semantische Suche findet Texte, die inhaltlich zur Frage passen, auch wenn sie ganz andere Wörter verwenden. Statt Buchstabenfolgen zu vergleichen, vergleicht sie die Bedeutung von Suchanfrage und Dokument.
Eine klassische Suchmaschine arbeitet mit Wörtern. Sie sucht in ihrem Bestand nach genau den Zeichenfolgen, die man eingetippt hat. Wer „Auto“ eingibt, findet keine Seite, die nur von „Pkw“ oder „Wagen“ spricht. Die semantische Suche geht anders vor: Sie versucht zu erfassen, was gemeint ist, nicht was geschrieben steht. Deshalb liefert sie auch dann passende Treffer, wenn Frage und Text keine einzige Vokabel teilen. Das Wort „semantisch“ kommt aus der Sprachwissenschaft und bedeutet schlicht „die Bedeutung betreffend“.
Warum Stichwörter oft nicht reichen
Menschen formulieren dieselbe Sache auf sehr viele Arten. Ein Kunde schreibt „Gerät lädt nicht mehr“, die Anleitung heißt „Probleme mit der Stromversorgung“. Eine reine Stichwortsuche findet hier nichts, obwohl die Antwort im System liegt. Genau an dieser Lücke scheitern viele firmeninterne Suchen.
Dazu kommt das Problem mehrdeutiger Wörter. „Golf“ kann ein Auto, eine Sportart oder eine Meeresbucht sein. Eine Stichwortsuche wirft alles in einen Topf. Ein bedeutungsbasiertes Verfahren erkennt aus dem Zusammenhang der übrigen Wörter, welche Lesart gemeint ist. Wer nach „Golf reparieren Werkstatt“ sucht, bekommt keine Urlaubsangebote.
Wirtschaftlich ist das relevant, weil Suche heute die Grundlage vieler KI-Produkte ist. Chatbots, die Fragen über Firmendokumente beantworten, müssen zuerst die richtigen Stellen finden. Ist dieser Schritt schlecht, hilft auch das beste Sprachmodell nicht weiter. Es antwortet dann flüssig, aber auf Basis der falschen Unterlagen.
Bedeutung als Punkt im Raum
Technisch übersetzt ein KI-Modell jeden Text in eine lange Zahlenreihe. Diese Zahlenreihe nennt man Einbettung oder auf Englisch Embedding. Man kann sie sich als Koordinaten vorstellen, ähnlich wie Längen- und Breitengrad auf einer Landkarte. Nur hat diese Karte nicht zwei Richtungen, sondern oft mehrere hundert.
Das Entscheidende ist die Anordnung: Texte mit ähnlicher Bedeutung landen dicht beieinander. „Fahrrad“ liegt nahe bei „Rad“ und „Velo“, weit entfernt von „Steuererklärung“. Diese Anordnung hat niemand von Hand festgelegt. Sie entsteht beim Training des Modells aus riesigen Textmengen, in denen ähnliche Wörter in ähnlichen Zusammenhängen auftauchen.
Eine Suche läuft dann so ab: Alle Dokumente werden vorab in solche Zahlenreihen umgerechnet und in einer speziellen Datenbank abgelegt. Kommt eine Anfrage, wird auch sie umgerechnet. Das System sucht die Punkte mit dem geringsten Abstand und gibt die zugehörigen Texte zurück. Damit das bei Millionen Einträgen schnell bleibt, wird nicht wirklich jeder Abstand berechnet, sondern mit Näherungsverfahren abgekürzt.
Von Onlineshops bis zu Firmen-Chatbots
Im Alltag begegnet einem das Verfahren ständig, ohne dass es genannt wird. Suchfelder in Onlineshops schlagen passende Produkte vor, auch bei ungenauer Beschreibung. Streamingdienste finden Filme über eine grobe Inhaltsangabe statt über den Titel. Auch die Fotosuche auf dem Smartphone arbeitet so, wenn man „Strand im Sonnenuntergang“ eintippt.
In Wirtschaftsnachrichten taucht der Begriff meist im Zusammenhang mit RAG auf, kurz für Retrieval Augmented Generation. Dahinter steckt die Kombination aus semantischer Suche und einem Sprachmodell. Zuerst werden passende Dokumente gesucht, dann formuliert das Modell daraus eine Antwort. Fast jeder Unternehmens-Chatbot funktioniert nach diesem Muster.
Ein verbreiteter Irrtum ist, dass die semantische Suche die Stichwortsuche ersetzt. Bei Artikelnummern, Namen oder Gesetzesparagrafen ist die exakte Übereinstimmung klar überlegen. Deshalb kombinieren gute Systeme beide Verfahren, was man hybride Suche nennt. Auffällig ist außerdem, dass rund um diese Technik eine ganze Branche entstanden ist: Anbieter von Vektordatenbanken wie Pinecone oder Weaviate haben in den letzten Jahren hohe Investitionssummen eingesammelt.