Themen / Vektordatenbanken
Wie funktionieren Vektordatenbanken?
Das Problem als Graph
Der Graph zeigt deine Suchanfrage als aktiven Knoten in einem Raum aus gespeicherten Entitäten. Jede gespeicherte Entität hat eine Position; die Kanten sind Nähe-Relationen. Anfangs ist die Relation zu den passenden Nachbarn noch leer — die Datenbank misst die Abstände und aktiviert genau die kürzesten. Entfernte Knoten bleiben passiv oder leer und tauchen nicht in der Antwort auf.
Graph als Text
- Suchanfrage (als Vektor) → Embedding-Modell (aktiv)
- Embedding-Modell → Nächster-Nachbar-Suche (aktiv)
- Nächster-Nachbar-Suche → Naher Treffer (leer)
- Nächster-Nachbar-Suche → Entfernte Entität (passiv)
- Naher Treffer → Antwort / nächste Frage (leer)
- Antwort / nächste Frage → Suchanfrage (als Vektor) (passiv)
Schritt für Schritt
- Mach jeden Inhalt zu einer Entität mit einer Position: Ein Embedding-Modell übersetzt Text, Bild oder Ton in eine lange Zahlenreihe, einen Vektor. Diese Zahlen sind die Koordinaten der Entität im Raum.
- Lege diese Vektoren ab, statt Wörter zu indexieren. In einer Vektordatenbank ist nicht der Wortlaut gespeichert, sondern der Ort — und Orte kann man vergleichen, auch wenn die Wörter ganz andere sind.
- Verwandle deine Suchanfrage mit demselben Modell in einen Vektor. Jetzt ist die Frage selbst eine Entität im selben Raum, mit eigenen Koordinaten neben allen gespeicherten Entitäten.
- Miss die Nähe: Die Datenbank sucht die nächstgelegenen Nachbarn deines Anfrage-Punktes. Jede kurze Distanz ist eine Relation, die von leer auf aktiv springt — das ist der Kern der Suche.
- Lenke die Energie auf die nahen Treffer statt auf exakte Wörter. So findest du, was inhaltlich passt — „Hund“ liegt nahe bei „Welpe“, auch ohne ein gemeinsames Wort.
- Halte fest, was die Antwort an neuen Entitäten öffnet, und stelle die nächste Frage als neuen Punkt. Der Raum bleibt — du bewegst dich nur weiter darin.
So sieht das mit dem Modell aus
Stell dir vor, du suchst in einer großen Foto-Sammlung nach „einem Hund im Schnee“, aber keine Bildunterschrift sagt genau das. Eine klassische Wortsuche bleibt leer, weil die Wörter nicht wörtlich vorkommen. Eine Vektordatenbank denkt anders: Jedes Foto ist eine Entität mit einer Position im Raum, und deine Anfrage wird selbst zu einem Punkt daneben.
Nun misst die Datenbank, welche gespeicherten Entitäten am nächsten an deinem Anfrage-Punkt liegen. Das Bild eines Welpen im Winter hat ganz andere Worte, aber eine ähnliche Position — die Relation zwischen Anfrage und Treffer springt von leer auf aktiv und zieht das Foto heran. Ein Strandbild liegt weit weg; seine Relation bleibt passiv und taucht nicht auf.
So arbeiten auch KI-Chatbots, die Quellen nachschlagen: Die Frage wird zum Vektor, die nächstgelegenen Textstücke werden aktiviert und ins Modell gegeben. Das ist eine Möglichkeit, Vektordatenbanken zu sehen — keine fertige Wahrheit über die Mathematik dahinter, sondern eine Linse. Was sich ähnlich anfühlt, liegt nah; und Suchen heißt, die kürzeste Relation zu aktivieren statt nach dem exakten Wort zu jagen.
Häufige Fragen
Was ist eine Vektordatenbank einfach erklärt?
Eine Vektordatenbank speichert Inhalte nicht als Wörter, sondern als Position in einem Raum. Ein Embedding-Modell verwandelt Text, Bild oder Ton in eine Zahlenreihe, einen Vektor — das sind die Koordinaten der Entität. Ähnliche Inhalte landen nah beieinander. Suchen heißt dann, die nächstgelegenen Nachbarn eines Anfrage-Punktes zu finden, statt Wörter exakt zu vergleichen.
Wie findet eine Vektordatenbank ähnliche Inhalte?
Sie misst Abstände. Deine Anfrage wird mit demselben Modell zu einem Vektor, also zu einem Punkt im selben Raum. Die Datenbank sucht dann die nächstgelegenen gespeicherten Punkte (Nächster-Nachbar-Suche). Jede kurze Distanz ist eine Relation, die aktiv wird; weit entfernte Entitäten bleiben passiv und tauchen nicht auf. Nähe ersetzt den exakten Wortvergleich.
Wozu braucht KI Vektordatenbanken?
Sprachmodelle raten Text aus Mustern und vergessen leicht, was außerhalb steht. Eine Vektordatenbank gibt ihnen ein durchsuchbares Gedächtnis: Die Frage wird zum Vektor, die nächstgelegenen Textstücke werden aktiviert und nachgeschlagen (Retrieval). So koppelt man geratenen Text an konkrete Quellen. Eine mögliche Lesart, aber ein praktischer Weg, KI weniger raten zu lassen.
Weiterdenken
Begriffe dazu: Entität, Relation, Die drei Zustände: leer, aktiv, passiv, Netzwerkebene