Was ist Vektordatenbank?
Eine Vektordatenbank speichert Embeddings, also die Zahlenreihen, in die ein Modell Texte, Bilder oder Produkte übersetzt hat, und beantwortet eine einzige Frage sehr schnell: Welche gespeicherten Reihen liegen einer neuen Reihe am nächsten? Eine klassische Datenbank prüft, ob ein Wert gleich ist oder ein Muster enthält. Eine Vektordatenbank prüft, wie nah zwei Bedeutungen beieinander liegen, und gibt die nächsten Nachbarn sortiert zurück.
Schnell ist das nur mit einem Index. Jede Anfrage mit jedem Eintrag zu vergleichen funktioniert bei tausend Absätzen und wird bei einer Million zur Wartezeit. Verfahren wie HNSW legen deshalb ein Nachbarschaftsnetz an, in dem die Suche in wenigen Sprüngen im richtigen Bereich landet, um den Preis, dass sie in seltenen Fällen einen etwas schlechteren Nachbarn liefert als die vollständige Rechnung. Für eine Website-Suche ist dieser Tausch fast immer richtig.
Man braucht dafür kein eigenes Produkt. Postgres kann es mit der Erweiterung pgvector, viele Suchdienste bringen den Vektorindex mit, und für eine Website mit ein paar hundert Seiten reicht das vollständig. Was die Datenbank nicht macht: die Bedeutung erzeugen. Die kommt aus dem Embedding-Modell, und die Qualität der Treffer hängt an der Qualität der Einheiten, die eingebettet wurden. Die drei Begriffe gehören zusammen: Das Embedding ist die Zahlenreihe, die Vektordatenbank findet die Nähe, und RAG ist das Verfahren, das beides nutzt und daraus eine Antwort formulieren lässt.
Warum ist Vektordatenbank wichtig?
Google Cloud hat 2023 durch Harris Poll fast 13.500 Erwachsene in 14 Ländern befragen lassen: 80 Prozent kaufen nach einer erfolglosen Suche auf einer Händlerseite eher woanders, 77 Prozent meiden Websites, auf denen sie schon einmal Schwierigkeiten mit der Suche hatten. Die Vektordatenbank ist das Bauteil, das aus „keine Ergebnisse" eine Trefferliste macht, in der die Seite mit derselben Bedeutung oben steht.
Vektordatenbank in der Praxis
- 01Die Website-Suche schickt die eingebettete Anfrage an die Vektordatenbank und bekommt die zehn nächsten Absätze samt Seitenadresse zurück, sortiert nach Nähe.
- 02Ein Hilfe-Center mit 3.000 Artikeln liegt als Vektorindex in derselben Postgres-Datenbank wie die Kundendaten, weil pgvector keinen zweiten Dienst braucht.
- 03Ein KI-Chatbot holt sich über die Vektordatenbank die fünf passendsten Fundstellen und gibt nur diese an das Sprachmodell weiter, damit das Kontextfenster klein und die Antwort belegbar bleibt.
