Embeddings
Embeddings sind numerische Darstellungen von Text, Bildern oder anderen Daten — Zahlenlisten, die so angeordnet sind, dass ähnliche Bedeutungen nah beieinanderliegen. Sie lassen Software Dinge nach Bedeutung statt nach exakten Wörtern vergleichen, und sie sind das, was eine Vector DB speichert und durchsucht.
Ein Embedding-Modell wandelt einen Inhalt in einen Vektor fester Länge um. Inhalte mit ähnlicher Bedeutung landen in diesem Raum nah beieinander, sodass «mein Abo kündigen» nah bei «meinen Tarif beenden» liegt, selbst ohne gemeinsame Wörter. Das ist die stille Grundlage unter semantischer Suche, RAG, Empfehlungen, Clustering und Deduplizierung — überall dort, wo eine Maschine beurteilen soll, wie ähnlich zwei Dinge sind.
Beim Bau eines Produkts ist die Wahl des Embedding-Modells eine der wirksamsten und am häufigsten übersehenen Entscheidungen: Sie setzt die Obergrenze der Abrufqualität — ein schwaches Modell lässt RAG scheitern, egal wie gut der Prompt ist. Auch Details zählen: Unterschiedliche Inhaltstypen brauchen mitunter unterschiedliche Modelle, mehrsprachige Inhalte brauchen ein mehrsprachiges Modell, und beim Modellwechsel müssen Sie alles neu einbetten. Wir wählen das Embedding-Modell bewusst und messen es, weil es im Stillen entscheidet, ob alles Nachgelagerte funktioniert.
// faq
Häufige Fragen
- Was ist der Unterschied zwischen Embeddings und einer Vector DB?
- Embeddings sind die Zahlen, die Bedeutung darstellen; eine Vector DB ist das System, das diese Zahlen speichert und schnell durchsucht. Sie erzeugen Embeddings mit einem Embedding-Modell und legen sie dann in einer Vector DB ab, um die nächstliegenden Treffer abzurufen. Das eine ist die Darstellung, das andere die Speicher- und Such-Engine drumherum.