Im Detail
Eine Vektordatenbank speichert Daten als hochdimensionale Vektoren anstelle von Zeilen und Spalten. Diese Vektoren werden von Embedding-Modellen generiert, die die semantische Bedeutung von Text, Bildern oder anderen Daten erfassen. Dies ermöglicht Ähnlichkeitssuche: Anstatt exakte Schlüsselwörter abzugleichen, kann man Daten finden, die semantisch ähnlich zur Abfrage sind. Populäre Vektordatenbanken sind Pinecone, Weaviate, Qdrant und pgvector.
So funktioniert es
- 1
Embedding-Generierung
Rohdaten (Text, Bilder) werden durch ein Embedding-Modell geleitet, das eine Vektordarstellung fester Größe ausgibt.
- 2
Indexierung
Vektoren werden mit Metadaten gespeichert und mittels HNSW- oder IVF-Algorithmen für schnelle Näherungssuche indexiert.
- 3
Ähnlichkeitssuche
Ein Abfragevektor wird mit gespeicherten Vektoren mittels Distanzmetriken verglichen.
- 4
Ergebnisabruf
Die ähnlichsten Vektoren werden mit ihren zugehörigen Metadaten und Originalinhalten zurückgegeben.
Wo es eingesetzt wird
- Semantische Suche
- Suchmaschinen, die Absicht statt nur Schlüsselwörter verstehen und kontextuell relevante Ergebnisse liefern.
- RAG-Pipelines
- Speicherung von Dokument-Embeddings für Retrieval-Augmented Generation in LLM-Anwendungen.
- Empfehlungssysteme
- Finden ähnlicher Produkte, Inhalte oder Nutzer basierend auf Verhaltens- oder Inhalts-Embeddings.