Retrieval

Vektordatenbank

Definition

Eine Vektordatenbank speichert Embeddings und findet zu einem Suchvektor blitzschnell die ähnlichsten Einträge. Sie ist das Gedächtnis, aus dem RAG-Systeme relevante Dokumentauszüge holen.

Klassische Datenbanken finden exakte Übereinstimmungen - diese Kundennummer, jenes Datum. Eine Vektordatenbank ist auf eine andere Frage optimiert: „Welche gespeicherten Inhalte ähneln diesem hier am meisten?“ Dafür organisiert sie Millionen von Embeddings so, dass die Nachbarschaftssuche auch bei großen Beständen in Millisekunden gelingt.

Für die meisten Unternehmen ist die Wahl der konkreten Vektordatenbank zweitrangig - viele etablierte Datenbanken bieten die Funktion inzwischen mit an. Wichtiger sind Datenhoheit und Betrieb: Wo liegen die Daten, wer darf welche Auszüge sehen, wie werden Änderungen aktuell gehalten? Diese Fragen entscheiden über Sicherheit und Pflegeaufwand, nicht das Produktlogo.

In der Praxis

Ein Medizintechnik-Hersteller braucht eine Suche, die im Haus bleibt

Ein Hersteller von Medizinprodukten mit rund 250 Mitarbeitenden möchte Prüfberichte, Arbeitsanweisungen und Zulassungsunterlagen durchsuchbar machen - gut 200.000 Textabschnitte. Zwei Randbedingungen stehen fest, bevor über Technik gesprochen wird: Der Index darf das Haus nicht verlassen, und jede Abfrage muss protokolliert werden, weil im Auditfall nachvollziehbar sein muss, wer welche Fassung gesehen hat.

Statt ein spezialisiertes Produkt zu beschaffen, erweitert das Unternehmen die vorhandene relationale Datenbank um Vektorsuche. Der Grund ist kein technischer Vorzug, sondern Betriebsrealität: Backup, Rechteverwaltung, Überwachung und Notfallwiederherstellung existieren dort bereits und sind geprüft. Abschnittstext, Metadaten und Zahlenreihe liegen in derselben Zeile - die Einschränkung „nur freigegebene Fassung, nur dieses Produkt“ ist damit eine gewöhnliche Datenbankabfrage und kein Sonderbau.

Die Grenze dieser Lösung ist bekannt und benannt: Bei zweistelligen Millionen Abschnitten oder sehr vielen gleichzeitigen Abfragen kippt die Rechnung zugunsten eines spezialisierten Systems. Damit dieser Wechsel später ein Datenumzug bleibt und kein Neubau, spricht die Anwendung nicht direkt mit der Datenbank, sondern über eine schmale Zwischenschicht mit den Operationen „speichern“, „suchen“, „löschen“. Das ist die gesamte Vorsorge - und sie kostet im Aufbau kaum einen Tag.

Abgrenzung

Nicht zu verwechseln mit

Embedding: Das Embedding ist die Zahlenreihe, die Bedeutung abbildet; die Vektordatenbank ist der Ort, an dem Millionen davon liegen und in Millisekunden verglichen werden. Die Qualität der Treffer hängt am Embedding-Modell, die Betriebsfähigkeit an der Datenbank. Ein teures Produkt rettet keine schlechten Embeddings.
Relationale Datenbank: Eine klassische Datenbank beantwortet „welcher Datensatz stimmt exakt überein“, eine Vektordatenbank „welche Inhalte ähneln diesem am meisten“. Sie ersetzen einander nicht: In den meisten Architekturen bleibt die relationale Datenbank die führende Quelle, und die Vektorsuche kommt daneben - oder inzwischen als Erweiterung direkt hinein.
Vektor-Retrieval: Die Vektordatenbank ist das Produkt, Vektor-Retrieval das Verfahren. Man kann Vektor-Retrieval mit sehr unterschiedlichen Speichern betreiben; die Frage „welche Datenbank“ ist deshalb nachgelagert und nicht der Einstieg in ein Projekt.

Fehlerbilder

Worauf es ankommt

Die Produktauswahl vor die Datenfrage stellen
Vergleichstabellen über Vektordatenbanken sind angenehm zu erstellen und verschieben die eigentliche Arbeit. Solange nicht feststeht, welche Dokumente gelten, wie sie zerteilt werden, wer welche sehen darf und wer sie aktuell hält, ist jede Produktentscheidung eine Antwort auf eine ungestellte Frage. In der Regel ist die technisch einfachste Variante für den Start ausreichend.
Den Index ohne Rechtekonzept betreiben
Der Index ist eine vollwertige zweite Kopie Ihrer Inhalte, meist inklusive Klartext. Ohne Rechtefilter auf Abschnittsebene hebelt er das Berechtigungskonzept der Quellsysteme aus - eine harmlos formulierte Suchanfrage kann dann einen Auszug aus einer Personalakte zurückgeben. Die Zugriffsprüfung gehört in die Abfrage selbst, nicht in die Oberfläche.
Keine Strategie für Löschen und Ersetzen
Wird ein Dokument im Quellsystem ersetzt oder gelöscht, verschwindet es nicht automatisch aus dem Index. Das System zitiert dann Unterlagen, die es offiziell nicht mehr gibt - praktisch ärgerlich, bei personenbezogenen Daten auch rechtlich heikel, weil ein Löschverlangen den Index einschließt. Ersetzen und Löschen müssen im selben Arbeitsschritt geschehen wie im Quellsystem.
Metadaten nachträglich ergänzen wollen
Ohne Felder wie Gültigkeit, Dokumenttyp, Standort oder Vertraulichkeit lässt sich der Suchraum nicht eingrenzen. Diese Felder später hinzuzufügen bedeutet in vielen Systemen, den kompletten Index neu aufzubauen. Es lohnt sich, beim Erstaufbau lieber zwei Felder zu viel mitzuschreiben als eines zu wenig.

Häufige Fragen

Was zu Vektordatenbank oft gefragt wird

Brauchen wir für KI unbedingt eine eigene Vektordatenbank?

In den meisten mittelständischen Vorhaben nicht. Gängige relationale Datenbanken und Suchdienste bieten Vektorsuche als Funktion an, was für Bestände bis in den Bereich einiger hunderttausend Textabschnitte gut trägt und den Betriebsaufwand niedrig hält. Ein eigenes Spezialprodukt wird erst zum Thema, wenn Datenmenge, Antwortzeiten oder die Zahl gleichzeitiger Abfragen die vorhandene Lösung überfordern.

Was treibt die Kosten beim Betrieb einer Vektordatenbank?

Vor allem drei Größen: die Anzahl der gespeicherten Abschnitte, die Länge der Zahlenreihen je Abschnitt und die Frage, wie viel davon für schnelle Antworten im Arbeitsspeicher gehalten werden muss. Anders als ein Modellaufruf, der nur bei Nutzung kostet, verursacht ein Vektorindex laufende Kosten unabhängig davon, ob gesucht wird - das Kostenprofil ähnelt einer Datenbank, nicht einer Schnittstelle.

Können wir eine Vektordatenbank im eigenen Rechenzentrum betreiben?

Ja. Die Vektorsuche selbst ist gewöhnliche Serverarbeit und verlangt keine Spezialhardware für künstliche Intelligenz. Sie ist damit einer der Punkte, an denen Datenhoheit ohne großen Aufwand tatsächlich erreichbar ist. Zu klären bleibt, wo das Embedding-Modell und gegebenenfalls das Sprachmodell laufen - das sind separate Entscheidungen mit eigenen Anforderungen.

Lassen sich aus einer Vektordatenbank die Originaltexte rekonstruieren?

In der Praxis meist unmittelbar, weil der Abschnittstext üblicherweise zusammen mit der Zahlenreihe gespeichert wird - sonst könnte das System keine Quelle anzeigen. Aber auch reine Zahlenreihen sind kein Schutz: Aus ihnen lassen sich Inhalte in erheblichem Umfang annähernd wiederherstellen. Ein Vektorindex ist deshalb genauso schutzbedürftig wie die Originaldokumente und gehört in dieselbe Sicherheitsbetrachtung.

Verwandte Begriffe