Zum Inhalt springen

p17 GmbHGeschäftsbereich KI & Automatisierung

Vektordatenbank: wie KI Wissen verknüpft

Eine klassische Datenbank sucht nach Wörtern. Eine Vektordatenbank sucht nach Bedeutung. Sie ist das Gedächtnis hinter Copilot, Projekten und Firmen-Chatbots – und erklärt, warum „Bank“ einmal zur Sparkasse und einmal zur Parkbank führt.

Passende Schulung
Zwei Personen vor einer großen Tafel mit einem Ablauf aus drei Schritten, über dem ein KI-Funke leuchtet (Illustration, KI-gestützt erstellt)
Illustration · KI-gestützt erstellt, von Menschen geprüft

p17-ki.de · Wissen · Vektordatenbank

Das Wichtigste in Kürze

  • Wörter und Texte als Koordinaten: Ähnliches liegt nah beieinander
  • Interaktiv: Wo landet „Bank“ – je nach Kontext?
  • Aufbau Schritt für Schritt: von Dokumenten zur Antwort mit Quelle

Nach Wörtern suchen – oder nach Bedeutung?

Die Suche in einem Ordner oder einer klassischen Datenbank vergleicht Buchstaben: Wer „Bank“ eingibt, findet alles, in dem „Bank“ steht – die Sparkasse aber nur, wenn dort auch „Bank“ steht. Und die Parkbank genauso wie die Zinsen.

Eine Vektordatenbank dreht das um. Sie speichert nicht die Wörter, sondern ihre Bedeutung als Zahlen. Ein sogenanntes Embedding-Modell übersetzt jedes Wort, jeden Satz, jeden Absatz in einen Vektor – eine Reihe aus Hunderten oder Tausenden Zahlen. Man kann sich das als Koordinaten auf einer riesigen Landkarte vorstellen: Sparkasse und Volksbank liegen dicht beieinander, Parkbank und Spaziergang auch, die Datenbank weit weg in der IT-Ecke.

Wie ist das Wissen verknüpft?

Hier liegt der eigentliche Unterschied zu allem, was man aus Ordnern und Tabellen kennt: In einer Vektordatenbank gibt es keine gespeicherten Verbindungen. Niemand hat eingetragen, dass die Sparkasse eine Bank ist. Die Verknüpfung entsteht allein durch Nähe: Weil Sparkasse, Volksbank, Kredit und Konto in den Trainingstexten in ähnlichen Zusammenhängen vorkommen, landen sie nah beieinander.

Wissensgraph – Verbindungen sind ausdrücklich gespeichert:

Sparkasse → ist eine → Bank
Volksbank → ist eine → Bank
Parkbank → ist eine → Sitzgelegenheit

Exakt und nachvollziehbar, aber jemand muss jede Beziehung pflegen.

Vektordatenbank – Verbindungen entstehen durch Nähe:

Sparkasse ≈ Volksbank ≈ Kredit
Parkbank ≈ Sitzbank ≈ Spaziergang
Datenbank ≈ CRM ≈ Tabelle

Findet auch Umschreibungen und Synonyme, ist aber „nur“ wahrscheinlich, nicht sicher.

Deshalb ist der Kontext so entscheidend: Ihre Frage bekommt selbst einen Platz auf der Karte. „Bank“ allein landet irgendwo dazwischen. „Hausbank für den Kredit“ landet mitten bei den Finanzen. Genau das zeigt die interaktive Karte unten – und genau das üben wir in der Basisschulung mit dem Satz „Denke an eine Bank“.

Wo Ihnen Vektordatenbanken im Alltag begegnen

  • Microsoft 365 Copilot durchsucht Ihre Dateien, Mails und Besprechungen über einen semantischen Index – deshalb findet er das Angebot auch, wenn Sie nach „Preisvorschlag“ fragen.
  • Projekte in ChatGPT und Claude, NotebookLM, Copilot Notebooks: Hochgeladene Dokumente werden zerlegt und nach Bedeutung durchsuchbar gemacht.
  • Firmen-Chatbots und Agenten, die Handbücher, Produktdaten oder Support-Fälle kennen.
  • Ein Second Brain – Ihr persönliches Wissensarchiv, das Sie mit KI befragen. Mehr dazu unter Second Brain.

Merke: Eine Vektordatenbank findet, was ähnlich ist – nicht, was stimmt. Ob der gefundene Abschnitt aktuell, gültig und vollständig ist, entscheiden gute Ablage, Metadaten und am Ende der Mensch.

Probieren Sie es aus

Die Bedeutungslandkarte: Wo liegt „Bank“?

Eine Vektordatenbank legt jeden Begriff und jeden Textabschnitt als Punkt in einem Raum ab. Was ähnlich gemeint ist, liegt nah beieinander. Wählen Sie eine Anfrage – die Karte zeigt, welche Einträge die Datenbank als nächstes findet.

Geld & FinanzenPark & FreizeitIT & DatenWerkstatt SparkasseVolksbankKontoKreditZinsenGeldautomatParkbankSitzbankSpaziergangSpielplatzKastanieDatenbankCRMSQLTabelleIndexWerkbankHobelbankWerkzeugSchraubstock

Anfrage wählen

Die drei nächsten Treffer

  1. –

Ohne Kontext liegt „Bank“ zwischen den Bedeutungen – am nächsten bei Geld, weil das in Texten am häufigsten gemeint ist. Ein Treffer stammt aber schon aus der IT-Ecke: Die Suche ist unsicher.

So lesen Sie die Karte: Die Zahl neben jedem Treffer ist die Ähnlichkeit (1 = gleiche Bedeutung). In echten Systemen hat jeder Punkt nicht zwei, sondern mehrere Hundert bis einige Tausend Koordinaten – das Prinzip ist dasselbe.

Vereinfachte Darstellung auf zwei Dimensionen, Positionen zur Veranschaulichung gewählt.

Aufbau

Von Ihren Dokumenten zur Antwort mit Quelle

So arbeitet eine Vektordatenbank in einem KI-System, das auf Ihr Firmenwissen zugreift (Fachbegriff: RAG, Retrieval Augmented Generation).

  1. 01

    Zerlegen (Chunking)

    Handbücher, Angebote, Protokolle werden in Abschnitte von einigen Sätzen bis Absätzen zerlegt. Zu große Stücke verwässern die Bedeutung, zu kleine verlieren den Zusammenhang.

  2. 02

    In Zahlen übersetzen (Embedding)

    Ein Embedding-Modell macht aus jedem Abschnitt einen Vektor: eine lange Zahlenreihe, die seine Bedeutung beschreibt. Ähnliche Inhalte bekommen ähnliche Zahlen.

  3. 03

    Ablegen mit Metadaten

    Vektor, Originaltext und Metadaten werden gespeichert: Quelle, Datum, Abteilung – und wer das Dokument lesen darf.

  4. 04

    Frage übersetzen

    Ihre Frage wird mit demselben Modell in einen Vektor verwandelt – sie bekommt also auch einen Platz auf der Bedeutungslandkarte.

  5. 05

    Nächste Nachbarn finden

    Die Datenbank sucht die Abschnitte, deren Vektoren am nächsten liegen – in Millisekunden, auch bei Millionen Einträgen. Oft kombiniert mit klassischer Stichwortsuche.

  6. 06

    Antwort formulieren

    Die besten Treffer werden dem Sprachmodell als Kontext mitgegeben. Es formuliert die Antwort daraus – und kann die Quellen nennen.

Häufige Fragen

Brauchen wir eine eigene Vektordatenbank?

Meist nicht. Microsoft 365 Copilot baut über den semantischen Index selbst eine Bedeutungssuche über Ihre Dateien und Mails auf; Projekte in ChatGPT oder Claude und NotebookLM tun das für hochgeladene Dokumente. Eine eigene Vektordatenbank lohnt sich, wenn Sie Wissen aus Fachanwendungen (CRM, Warenwirtschaft, Ticketsystem) für einen eigenen Assistenten oder Agenten erschließen wollen.

Ist eine Vektordatenbank dasselbe wie das Wissen im Sprachmodell?

Nein. Das Sprachmodell hat sein Allgemeinwissen im Training gelernt – fest eingebaut und mit Wissensstand. Die Vektordatenbank ist ein externes, jederzeit aktualisierbares Gedächtnis für Ihr eigenes Wissen. Das Modell schaut dort nach, bevor es antwortet.

Warum findet die KI manchmal das falsche Dokument?

Weil „ähnlich“ nicht „richtig“ ist. Ein veraltetes Angebot liegt bedeutungsmäßig genauso nah wie das aktuelle. Abhilfe schaffen gute Metadaten (Datum, Gültigkeit), aufgeräumte Ablagen und eine Frage mit genug Kontext – siehe das Bank-Beispiel.

Sieht dann jeder alles?

Nur wenn man es falsch aufbaut. Gute Systeme speichern die Berechtigungen mit und filtern die Treffer nach der Person, die fragt. In Microsoft 365 gilt: Copilot findet nur, was Sie ohnehin öffnen dürfen.

Zuletzt geprüft: · Benjamin Beloch

Kontakt

Schulung zum Thema buchen

Sie möchten das Thema mit Ihrem Team vertiefen? Senden Sie eine unverbindliche Anfrage. Wir melden uns in der Regel innerhalb eines Werktags.

Direkt sprechen
Benjamin Beloch, Ansprechpartner für KI-Schulungen
Benjamin BelochGeschäftsführer der p17 GmbH
+49 2562 18749-00

Mo–Do 8–17 Uhr, Fr 8–16 Uhr

  1. Sie senden die AnfrageUnverbindlich, ein paar Sätze genügen.
  2. Wir melden unsIn der Regel innerhalb eines Werktags, persönlich.
  3. Kurzes Vorgespräch20 bis 30 Minuten, danach erhalten Sie einen Vorschlag mit Festpreis.

Pflichtfelder sind mit * gekennzeichnet.

Wir antworten in der Regel innerhalb eines Werktags.

Ihre Angaben verwenden wir ausschließlich, um Ihre Anfrage zu bearbeiten (Art. 6 Abs. 1 lit. b und f DSGVO). Die Anfrage ist unverbindlich. Mehr zu Speicherdauer und Ihren Rechten in unserer Datenschutzerklärung. Verantwortlich: p17 GmbH.

Anrufen: +49 2562 18749-00