Semantische Suche - nach Bedeutung statt nach Stichwort

Semantische Suche ist ein Suchverfahren, das Inhalte nach ihrer Bedeutung findet statt nach übereinstimmenden Zeichenketten. Wer nach "Auto" sucht, bekommt auch Treffer zu "Fahrzeug", "PKW" oder "Wagen" - obwohl keines dieser Wörter mit dem Suchbegriff identisch ist. Möglich wird das, weil Frage und Dokumente in Embeddings übersetzt werden: numerische Vektoren, die die Bedeutung eines Textes im Raum verorten. Ähnliche Bedeutung führt zu nah beieinander liegenden Vektoren.

Semantische Suche ist damit das Herzstück moderner RAG-Systeme: Sie sorgt dafür, dass zu einer Frage die inhaltlich passenden Textabschnitte gefunden werden, bevor ein Sprachmodell daraus eine Antwort formuliert.

So funktioniert es

1. Einbetten: Alle Dokumentabschnitte werden vorab in Vektoren umgewandelt und in einer Vektordatenbank gespeichert.
2. Frage als Vektor: Die Suchanfrage wird mit demselben Verfahren in einen Vektor übersetzt.
3. Nächste-Nachbarn-Suche: Gesucht werden die Vektoren, die dem Frage-Vektor am nächsten liegen - also die inhaltlich ähnlichsten Abschnitte.
4. Rückgabe: Diese Abschnitte werden als Treffer zurückgegeben, meist nach Ähnlichkeit sortiert.

Abgrenzung zur klassischen Volltextsuche

Die klassische Stichwort- oder Volltextsuche vergleicht Zeichenketten: Ein Dokument gilt als Treffer, wenn der Suchbegriff darin wörtlich vorkommt. Das ist schnell, transparent und punktgenau bei exakten Begriffen - stößt aber an Grenzen, sobald der Nutzer andere Worte wählt als das Dokument.

• Volltextsuche: Sucht nach dem Wortlaut. Findet "Kündigungsfrist" nur, wenn genau dieses Wort im Text steht. Synonyme, Umschreibungen oder Tippfehler bleiben unentdeckt.
• Semantische Suche: Sucht nach der Bedeutung. Findet den passenden Absatz auch dann, wenn dort "Frist zur Beendigung des Vertrags" steht - denn die Bedeutung ist ähnlich.

Keiner der beiden Ansätze ist in jeder Lage überlegen. Die Volltextsuche gewinnt bei exakten Begriffen wie Produktnummern oder Eigennamen, die semantische Suche bei frei formulierten Fragen. Deshalb werden beide oft in einer Hybrid Search kombiniert.

Worauf die Qualität ankommt

• Gutes Embedding-Modell: Es entscheidet, wie treffend Bedeutung in Vektoren abgebildet wird - je nach Sprache und Fachdomäne.
• Sauberes Chunking: Nur thematisch geschlossene Abschnitte ergeben klare Vektoren. Wie Dokumente dafür zerlegt werden, beschreibt der Begriff Chunking.
• Passende Ähnlichkeitssuche: Bei großen Beständen kommt eine approximative Nächste-Nachbarn-Suche zum Einsatz, die Tempo und Trefferqualität ausbalanciert.

Semantische Suche bei Elasticbrains

Bei Elasticbrains bauen wir semantische Suche in Ihre Wissensbestände ein - mit auf Sprache und Fachdomäne abgestimmten Embeddings und, wo sinnvoll, kombiniert mit Stichwortsuche und Reranking. Wie daraus ein durchsuchbarer, belegbarer interner Assistent wird, zeigen wir auf unserer Leistungsseite interne KI-Assistenten / RAG-Wissensdatenbank.