Vektordatenbank

Klas­si­sche Such­sys­te­me (Voll­text­su­che, SQL) fin­den Doku­men­te, die exakt die gesuch­ten Begrif­fe ent­hal­ten. Eine Vek­tor­da­ten­bank geht anders vor: Jedes Doku­ment wird durch ein KI-Modell in einen hoch­di­men­sio­na­len nume­ri­schen Vek­tor umge­wan­delt (Embed­ding). Ähn­li­che Inhal­te lie­gen im Vek­tor­raum geo­me­trisch nah beieinander.

Bei einer Such­an­fra­ge wird die Anfra­ge eben­falls in einen Vek­tor umge­wan­delt, und das Sys­tem fin­det die Doku­men­te, deren Vek­to­ren der Anfra­ge am ähn­lichs­ten sind — unab­hän­gig davon, ob exakt die­sel­ben Wör­ter ver­wen­det wur­den. Das ermög­licht seman­ti­sche Suche: Eine Fra­ge nach ​„Urlaubs­re­ge­lung im Home­of­fice” fin­det auch Doku­men­te, die ​„Remo­te-Arbeit” und ​„Frei­zeit­aus­gleich” als Begrif­fe verwenden.

In einer RAG-Archi­tek­tur ist die Vek­tor­da­ten­bank die zen­tra­le Kom­po­nen­te: Sie ent­hält alle indi­zier­ten Unter­neh­mens­do­ku­men­te als Embed­dings und lie­fert beim Ein­gang einer Fra­ge die rele­van­tes­ten Text­pas­sa­gen an das Sprach­mo­dell. Silent AI ent­hält eine inte­grier­te Vek­tor­da­ten­bank — kein exter­nes Sys­tem ist erforderlich.