Vektordatenbank
KI-Glossar
Eine spezialisierte Datenbank, die Embeddings (Zahlenvektoren) speichert und sehr schnell die ähnlichsten Einträge zu einer Suchanfrage finden kann.
Kurzdefinition
Eine Vektordatenbank ist ein Datenbanksystem, das auf die effiziente Speicherung und Suche von hochdimensionalen Vektoren optimiert ist. Im Unterschied zu relationalen Datenbanken wird nicht nach exakten Übereinstimmungen gesucht, sondern nach den nächsten Nachbarn im Vektorraum.
Einfach erklärt
Klassische Datenbanken suchen nach exakten Treffern: Sie finden einen Eintrag, wenn der gesuchte Begriff genau so gespeichert ist. Vektordatenbanken arbeiten anders: Sie speichern numerische Vektoren und finden auf Anfrage die Einträge, die dem Anfrage-Vektor am nächsten liegen. Das ist semantische Ähnlichkeitssuche.
Im Kontext von KI-Anwendungen sind Vektordatenbanken die Speicherkomponente für RAG-Systeme. Dokumente werden als Embeddings gespeichert. Bei einer Nutzeranfrage wird die Frage ebenfalls in einen Vektor umgewandelt, die Vektordatenbank findet die ähnlichsten Dokumente, und diese werden an das Sprachmodell übergeben. Bekannte Vektordatenbanken sind zum Beispiel Pinecone, Weaviate oder pgvector.
Beispiel aus dem Arbeitsalltag
Ein Kundensupport-System speichert alle Produktdokumentation als Embeddings in einer Vektordatenbank. Wenn eine Kundin fragt: „Wie setze ich das Gerät zurück?“, sucht das System in der Datenbank nach den ähnlichsten Abschnitten aus der Dokumentation und übergibt sie dem Sprachmodell, das daraus eine klare Anleitung formuliert.
Warum ist der Begriff wichtig?
Vektordatenbanken sind ein zentrales Infrastruktur-Element moderner KI-Anwendungen. Ohne sie wäre semantische Suche in großen Dokumentenbeständen zu langsam für den Praxiseinsatz.
Für Organisationen, die RAG-Systeme oder semantische Suche einsetzen wollen, ist die Wahl und der Betrieb einer Vektordatenbank eine wichtige technische Entscheidung.
Chancen
- Sehr schnelle Ähnlichkeitssuche in großen Dokumentenbeständen
- Grundlage für RAG, Empfehlungssysteme und semantische Suche
- Skalierbar auf Millionen von Dokumenten
- Kombinierbar mit klassischen Datenbanken und Anwendungen
Risiken und typische Fehler
- Betrieb und Wartung erfordern technisches Know-how
- Daten in Cloud-Vektordatenbanken unterliegen den Datenschutzanforderungen des jeweiligen Anbieters
- Qualität der gespeicherten Embeddings bestimmt die Qualität der Suchergebnisse
- Kosten können bei großen Datenmengen und hohem Abfrageaufkommen steigen
Verwandte Begriffe
Passende Inhalte im KI College
Lernen Sie Schritt für Schritt, wie Sie KI im Arbeitsalltag sinnvoll nutzen.
Use CasesKI im Arbeitsalltag anwenden
Entdecken Sie praktische Beispiele für typische Aufgaben im Beruf.
ToolsKI-Tools im Überblick
Finden Sie heraus, welche Tools zu welchen Aufgaben passen.