Przejdź do treści
promptowy.com / KI-Glossar / Vektordatenbank (Vector Database)
Technologie

Vektordatenbank (Vector Database)

Eine Vektordatenbank speichert Daten als mathematische Zahlenreihen und findet Inhalte nach ihrer inhaltlichen Bedeutung statt nach reinen Stichwörtern.

Eine Vektordatenbank ist ein spezialisiertes Datenbanksystem, das Informationen in Form von mehrdimensionalen Zahlenreihen, sogenannten Vektoren oder Embeddings, ablegt und verarbeitet. Anstatt Daten wie herkömmliche SQL-Systeme über exakte Textübereinstimmungen abzufragen, vergleicht eine Vektordatenbank die mathematische Nähe zwischen Datensätzen. Das bedeutet: Sie sucht nicht nach der Frage, wo genau ein bestimmtes Wort steht, sondern danach, welche hinterlegten Inhalte dem gesuchten Gedanken inhaltlich am nächsten kommen.

In modernen Architekturen rund um künstliche Intelligenz dient die Vektordatenbank als unverzichtbares Langzeitgedächtnis für Sprachmodelle. Texte, Bilder, Audiodateien oder Produktkataloge werden durch neuronale Netze in Vektoren übersetzt und in der Datenbank organisiert. So lassen sich riesige Datenmengen innerhalb von Millisekunden nach Sinnzusammenhängen filtern.

Wie eine Vektordatenbank funktioniert

Klassische relationale Datenbanken suchen nach präzisen Werten: Ein Buchungssystem prüft, ob die Spalte PLZ genau den Wert 80331 enthält. Vektordatenbanken arbeiten grundlegend anders, denn sie ordnen Informationen in einem hochdimensionalen Bedeutungsraum an. Begriffe oder Absätze mit ähnlicher Bedeutung landen im Raum nahe beieinander, selbst wenn sie völlig unterschiedliche Wörter nutzen.

Der technische Ablauf gliedert sich typischerweise in drei Schritte:

  • Vektorisierung: Ein KI-Modell liest den Originaltext (zum Beispiel eine PDF-Seite) und erzeugt daraus eine Zahlenfolge, die den semantischen Kern widerspiegelt.
  • Indizierung: Die Vektordatenbank sortiert diese Vektoren über spezielle Algorithmen wie Approximate Nearest Neighbor (ANN), damit Milliarden Zahlenwerte ohne vollständigen Suchdurchlauf verglichen werden können.
  • Ähnlichkeitsabfrage: Eine Nutzerfrage wird ebenfalls in einen Vektor umgewandelt. Die Datenbank misst den Winkel oder den Abstand zwischen den Vektoren und liefert die Treffer mit der größten thematischen Übereinstimmung zurück.

Der Motor für RAG in Unternehmen

In der Praxis bildet die Vektordatenbank das Herzstück von RAG-Systemen (Retrieval-Augmented Generation). Große Sprachmodelle kennen betriebsinterne Details nicht und neigen dazu, Lücken mit plausibel klingenden Erfindungen zu füllen. Um dies zu verhindern, greift die KI auf firmeninternes Wissen zurück.

Unternehmen teilen dazu Arbeitsanweisungen, Handbücher und E-Mails in handliche Abschnitte, wandeln diese in Embeddings um und speichern sie in der Vektordatenbank. Stellt ein Mitarbeiter eine Frage, fischt die Datenbank die drei bis fünf passendsten Absätze heraus. Diese Textstücke werden der Anfrage beigefügt, sodass das Sprachmodell die Antwort direkt auf Basis der verifizierten Firmenunterlagen formulieren kann.

Praxisbeispiel: Ein Tiroler Hotelbetrieb

Ein mittelständisches Alpenhotel im Zillertal möchte seinen Gästeservice automatisieren. Auf der Website beantwortet ein Chatbot Fragen zu Stornobedingungen, Wellnessangeboten und regionalen Ausflugszielen.

Ein Gast aus Hamburg tippt in das Dialogfeld: „Können wir den Vierbeiner mit in die Zirbenstube nehmen?“

Eine normale Stichwortsuche würde scheitern, weil in der Hausordnung weder das Wort Vierbeiner noch Zirbenstube vorkommt. Das Regelwerk des Hotels spricht stattdessen sachlich von: „Hunde sind im gesamten Restaurantbereich und in den traditionellen Gaststuben nicht gestattet.“

Die Vektordatenbank erkennt sofort, dass die Vektoren für Vierbeiner und Hund sowie für Zirbenstube und Gaststube im Bedeutungsraum dicht beieinander liegen. Sie übermittelt den relevanten Absatz an das KI-System. Der Gast erhält sekundenschnell die korrekte, freundliche Auskunft, obwohl kein einziges Suchwort exakt übereinstimmte.

Typischer Denkfehler bei der Einführung

Ein weit verbreiteter Fehler in Projekten ist die Annahme, eine Vektordatenbank mache traditionelle Suchsysteme und relationale Datenbanken überflüssig. Das Gegenteil ist der Fall: Reine semantische Vektorsuchen sind ungeeignet, wenn es auf millimetergenaue Treffer ankommt. Wer nach einer konkreten Rechnungsnummer, einer Schweizer AHV-Nummer oder einem eindeutigen Ersatzteilcode wie XF-902-B sucht, benötigt weiterhin exakte Stichwortfilter.

Erfolgreiche Anwendungen kombinieren deshalb oft beide Welten im Rahmen einer hybriden Suche: Exakte Metadaten wie Erstellungsdatum, Abteilung oder Kundennummer werden klassisch gefiltert, während der Fließtext semantisch über die Vektoren erschlossen wird.

Häufig gestellte Fragen

Was ist der Unterschied zwischen einer relationalen Datenbank und einer Vektordatenbank?

Eine relationale Datenbank speichert strukturierte Tabellen und sucht nach exakten Werten oder Schlüsselwörtern. Eine Vektordatenbank speichert hochdimensionale Zahlenreihen und sucht nach inhaltlicher, semantischer Ähnlichkeit von Texten, Bildern oder Tönen.

Wofür braucht man eine Vektordatenbank bei Chatbots?

Sie fungiert als Gedächtnis des Chatbots. Unternehmensdokumente werden darin abgelegt, damit das System bei Benutzerfragen exakt jene Textpassagen heraussucht, die für eine sachlich richtige Antwort nötig sind.

Können Vektordatenbanken auch Bilder durchsuchen?

Ja, multimodale KI-Modelle können Bilder in Vektoren übersetzen. Dadurch kann man mit einer einfachen Texteingabe nach optisch oder thematisch passenden Fotos suchen, selbst wenn diese keine Dateinamen oder Beschreibungen besitzen.

← Alle Begriffe im KI-Glossar

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›