Ein Embedding verwandelt einen Text, ein Bild oder Audio in eine Zahlenfolge, sodass eine Maschine berechnen kann, wie ähnlich sich zwei Dinge sind. Suchmaschinen, Empfehlungssysteme und Wissensdatenbanken von Chatbots finden Inhalte meist auf diesem Weg und nicht durch wortwörtlichen Keyword-Abgleich.
Woher kommen die Vektoren?
Ein Modell lernt aus großen Textmengen, welche Wörter gemeinsam auftreten: Wörter, die oft zusammen vorkommen, landen nah beieinander, Wörter mit gegensätzlicher Bedeutung weit voneinander entfernt. So ist „Katze“ näher an „Hund“ als an „Auto“. Niemand vergibt diese Werte von Hand; die Abstände entstehen beim Training von selbst.
Worin unterscheidet es sich von der Keyword-Suche?
Die Keyword-Suche prüft nur, ob die exakten Wörter vorkommen, sodass eine Umformulierung leer ausgehen kann. Die Vektorsuche achtet auf Bedeutung: Wer nach „Handy lädt nicht“ sucht, findet auch Inhalte über einen „lockeren Ladeanschluss“, obwohl die Formulierung anders ist. Der Nachteil: Auch „etwas ähnliche, aber falsche“ Inhalte können weit oben landen, weshalb ein zusätzlicher Filterschritt nötig bleibt.
Drei häufige Missverständnisse
Erstens vergibt ein Vektor keine Etiketten und urteilt nicht über richtig oder falsch, er hält nur Ähnlichkeit fest. Zweitens sind längere Vektoren nicht automatisch genauer – Dimensionen, Trainingsdaten und Passung zur Aufgabe zählen mehr. Drittens bedeutet die Nähe zweier Vektoren nicht, dass beide Sätze korrekt sind; sie können einfach nur ähnlich formuliert sein.
Wann wird es eingesetzt?
Bei persönlichen Wissensdatenbanken, Kundenservice-Fragen und Produktempfehlungen grenzt das Embedding zunächst Kandidaten aus einer riesigen Menge ein, danach trifft ein großes Modell oder ein Regelsatz die endgültige Entscheidung. Als grober Filter eingesetzt, funktioniert es am zuverlässigsten.
