Vektordatenbank

Eine Vektordatenbank speichert Embeddings und sucht Einträge anhand einer mathematischen Ähnlichkeitsmetrik.

Während relationale Abfragen häufig nach exakten Werten, Bereichen oder Beziehungen suchen, beantwortet eine Vektorsuche Fragen wie: Welche gespeicherten Einträge sind diesem Anfragevektor am ähnlichsten?

Wie die Suche technisch funktioniert

Bei einer vollständigen Ähnlichkeitssuche wird der Anfragevektor mit allen gespeicherten Vektoren verglichen. Dieses Verfahren liefert einen exakten Vergleich, kann bei großen Datenbeständen oder strengen Antwortzeitanforderungen aber zu aufwendig sein.

Viele Systeme nutzen für große Datenmengen approximative Indexverfahren. Sie verkürzen die Suche, können dabei aber einzelne optimale Treffer übersehen.

Index, Parameter und Filter sollten deshalb mit realistischen Anfragen gegen die benötigte Trefferqualität, Antwortzeit und Kosten geprüft werden.

Der zentrale Baustein für RAG

Vektordatenbanken werden häufig in RAG-Systemen eingesetzt. Dokumentabschnitte werden als Embeddings gespeichert und bei einer Anfrage nach Ähnlichkeit durchsucht.

RAG ist jedoch nicht auf reine Vektorsuche beschränkt. Je nach Daten und Anforderungen können Volltextsuche, Metadatenfilter und kombinierte Ranking-Verfahren hinzukommen.

Worauf bei der Auswahl zu achten ist

Vektorsuche ist sowohl in spezialisierten Produkten als auch als Erweiterung relationaler Datenbanken verfügbar. Welche Variante passt, hängt von Datenmenge, Suchlast, Filterbedarf, Betriebsmodell und vorhandener Plattform ab.

Embeddings können sensible Informationen abbilden. Speicherort, Zugriffsschutz, Mandantentrennung, Löschung und vertragliche Verarbeitungsvorgaben gehören deshalb in die Auswahlentscheidung.