Zum Inhalt springen

Glossar

KI & Machine Learning

Vektordatenbank

Eine Vektordatenbank ist ein Datenspeicher, der dafür gebaut ist, Embeddings zu indexieren und zu durchsuchen, also die numerischen Vektoren, die die Bedeutung von Text, Bildern oder Audio abbilden, damit sie schnell die Elemente zurückgeben kann, die einer Anfrage am ähnlichsten sind.

Aktualisiert am · Vom VIZIO AI Team

Was ist eine Vektordatenbank?

Statt exakte Wörter abzugleichen, findet ein Vektorspeicher Elemente mit ähnlicher Bedeutung, gemessen als Abstand zwischen Punkten in einem hochdimensionalen Raum. Jedes Element wird von einem Modell in Embeddings umgewandelt; text-embedding-3-small von OpenAI erzeugt zum Beispiel standardmäßig Vektoren mit 1.536 Dimensionen. Die Ähnlichkeit wird per Kosinus-Ähnlichkeit, Skalarprodukt oder euklidischem Abstand gemessen.

Eine Anfrage mit jedem einzelnen Vektor zu vergleichen, ist bei großen Datenmengen zu langsam, deshalb nutzen diese Systeme Approximate-Nearest-Neighbor-Indizes (ANN) wie HNSW oder IVF, die ein wenig Genauigkeit gegen große Geschwindigkeitsgewinne eintauschen. Sie speichern außerdem Metadaten zum Filtern, sodass eine Suche etwa auf englischsprachige Dokumente beschränkt werden kann, die in diesem Jahr aktualisiert wurden und die der aktuelle Nutzer lesen darf. Ihre bekannteste Rolle ist der Retrieval-Schritt in der Retrieval-Augmented Generation.

Wie funktioniert eine Vektordatenbank Schritt für Schritt?

Die Qualität des Retrievals hängt ebenso davon ab, wie Dokumente in Chunks zerlegt und gefiltert werden, wie von der Datenbank selbst.

  1. Chunken: Quelldokumente in Abschnitte zerlegen, zum Beispiel einige Hundert Tokens mit etwas Überlappung.

  2. Einbetten: Jeder Chunk wird mit einem Embedding-Modell eingebettet.

  3. Speichern: Der Vektor wird mit Metadaten abgelegt: Quell-URL, Datum, Sprache, Produktbereich und Zugriffsrechte.

  4. Die Anfrage einbetten: zum Suchzeitpunkt mit demselben Modell.

  5. Suchen: Im ANN-Index werden die Top-k nächstgelegenen Chunks gesucht, gefiltert nach Metadaten.

  6. Reranken: optional mit einem Cross-Encoder oder einem Dienst wie Cohere Rerank.

  7. Zurückgeben: Die Ergebnisse gehen an den Nutzer oder als Kontext an ein Sprachmodell.

Wie sieht eine Vektordatenbank in der Praxis aus?

Ein häufiges erstes Projekt besteht darin, Support-Mitarbeitenden zu helfen, die Antwort zu finden, die irgendwo bereits existiert. Stellen Sie sich ein HR-Softwareunternehmen mit 70 Mitarbeitenden vor, dessen Support-Team beispielsweise 2.000 Help-Center-Artikel und 5.000 gelöste Tickets durchsucht.

  • Artikel und Ticketlösungen werden in Chunks zerlegt und mit text-embedding-3-small von OpenAI eingebettet.

  • Die Vektoren landen in pgvector innerhalb der bestehenden PostgreSQL-Datenbank des Unternehmens, mit einem HNSW-Index.

  • Eine Zendesk-Sidebar-App bettet jedes eingehende Ticket ein und zeigt die fünf ähnlichsten früheren Lösungen, gefiltert nach Produktbereich.

  • Vor dem Launch labelt das Team 100 echte Fragen und prüft, wie oft die richtige Antwort unter den Top-5-Ergebnissen erscheint.

Bleibt alles in Postgres, ist keine neue Infrastruktur nötig, und die Berechtigungen nutzen die bestehenden Row-Level-Regeln. Angenommen, der gelabelte Test zeigt die richtige Antwort bei den meisten Fragen unter den Top 5; die Fehltreffer verweisen auf Artikel, die neu geschrieben werden müssen, nicht auf eine andere Datenbank.

Wann brauchen Sie keine eigene Vektordatenbank?

Viele Teams brauchen überhaupt kein separates Produkt; eine Erweiterung einer bestehenden Datenbank reicht oft aus. Bis zu einigen Millionen Vektoren liefern pgvector, MongoDB Atlas Vector Search oder die k-NN-Suche von Elasticsearch meist gute Leistung und ersparen ein weiteres System, das abgesichert und synchronisiert werden muss.

  • Exakte Bezeichner: SKUs, Fehlercodes und Namen lassen sich allein über die Bedeutung schlecht abgleichen; nutzen Sie hybride Suche, die Keyword-Scoring wie BM25 mit Vektoren kombiniert.

  • Modellwechsel: Ein Wechsel des Embedding-Modells bedeutet, jedes Dokument neu einzubetten.

  • Veraltete Inhalte: Bearbeitete oder gelöschte Dokumente müssen neu indexiert oder entfernt werden.

  • Berechtigungslecks: Ohne Metadatenfilter kann die Suche Dokumente zutage fördern, die ein Nutzer nicht sehen darf.

Welche Vektordatenbanken werden am häufigsten eingesetzt?

Die wichtigste Entscheidung fällt zwischen spezialisierten Vektorspeichern und Vektorfunktionen in Datenbanken, die Sie bereits betreiben. Zu den spezialisierten Optionen gehören Pinecone (managed), Weaviate, Qdrant, Milvus und Chroma. Integrierte Optionen sind pgvector für PostgreSQL, MongoDB Atlas Vector Search, Elasticsearch und OpenSearch sowie die Vektorsuche in Redis.

Anders als eine relationale Datenbank, die exakte Fragen wie „Bestellungen über 500 $“ beantwortet, beantwortet ein Vektorspeicher unscharfe Fragen wie „Tickets wie dieses“. Viele Stacks nutzen beides. Frameworks wie LangChain und LlamaIndex verbinden sie mit einem Large Language Model für Anwendungen wie einen KI-Chatbot.

Vektordatenbank vs. relationale Datenbank

Vektordatenbank

Relationale Datenbank

Abfragetyp

Elemente mit ähnlicher Bedeutung finden

Zeilen finden, die exakte Bedingungen erfüllen

Gespeicherte Daten

Embeddings plus Metadaten

Typisierte Spalten in Tabellen

Indextyp

ANN-Indizes wie HNSW oder IVF

B-Tree- und Hash-Indizes

Typischer Einsatz

Semantische Suche, RAG, Empfehlungen

Transaktionen, Reporting, Joins

Beispiele

Pinecone, Weaviate, Qdrant, pgvector

PostgreSQL, MySQL, SQL Server

Wie nutzt VIZIO AI Vektordatenbanken?

VIZIO AI nutzt Vektorsuche, um KI-Antworten auf geprüfte Quellen zu stützen statt auf das Allgemeinwissen eines Modells. Für ein globales Technologieberatungsunternehmen mit Fokus auf Südostasien entwickelte unser DX Studio eine mehrsprachige Finanz-Intelligence-Plattform mit einem KI-Chatbot, der Fragen beantwortet, Finanzinstrumente vergleicht und regulatorische Informationen erklärt, gestützt auf geprüfte Finanzquellen und eine Vektordatenbank, unterlegt mit automatisierten ETL-Pipelines und semantischer Suche.

KMU, die die Plattform nutzen, verzeichneten 65 % weniger Zeitaufwand für Finanzrecherche, ein 4-fach höheres Engagement und eine um 35 % verbesserte Entscheidungsgenauigkeit. So fangen Sie an: Sammeln Sie 50 echte Nutzerfragen und prüfen Sie, ob eine Keyword-Suche sie bereits beantwortet, bevor Sie Vektoren hinzufügen.

Facebook-Logo
X-Logo
LinkedIn-Logo
Reddit-Logo
Telegram-Logo

AI-first denken.
Zukunftsschnell handeln.

Lassen Sie uns bauen, was als Nächstes kommt! Von Produktideen und intelligenten Workflows bis zu datengetriebenen Systemen und skalierbaren Growth Operations.

Strategiegespräch buchen