Eine Vektordatenbank ist ein Datenspeicher, der auf einen speziellen Datentyp ausgelegt ist: hochdimensionale Vektoren, also Embeddings. Statt exakt nach Werten zu filtern, wie es eine klassische Datenbank tut, beantwortet sie eine andere Frage: "Welche gespeicherten Einträge liegen dieser Anfrage am nächsten?" Damit wird Ähnlichkeit selbst zur Suchoperation.
Das ist die Grundlage moderner KI-Suche. Ein Text oder ein Bild wird in einen Vektor umgewandelt, die Datenbank vergleicht ihn mit allen gespeicherten Vektoren und liefert die ähnlichsten zurück - inhaltlich verwandt, nicht bloß buchstabengleich.
Nächste-Nachbarn-Suche und HNSW
Der Kern ist die Suche nach den nächsten Nachbarn im Vektorraum. Bei wenigen Einträgen ließe sich jeder Vektor einzeln vergleichen; bei Millionen Objekten wäre das zu langsam. Deshalb nutzen Vektordatenbanken approximative Verfahren:
- HNSW (Hierarchical Navigable Small World): Ein graphbasierter Index, der die Suche über mehrere Ebenen navigiert und so in Sekundenbruchteilen sehr gute Treffer findet, ohne alles zu prüfen.
- Top-k-Suche: Zurückgegeben werden die k ähnlichsten Einträge - etwa die zwölf besten Kandidaten, aus denen ein nachgelagerter Schritt die endgültige Zuordnung trifft.
pgvector: Vektorsuche in PostgreSQL
Man braucht nicht zwingend ein Spezialsystem. Mit der Erweiterung pgvector wird die bewährte relationale Datenbank PostgreSQL zur Vektordatenbank. Der Vorteil: Vektoren und klassische Geschäftsdaten liegen in einem System, mit den gewohnten Betriebs-, Backup- und Sicherheitseigenschaften - ideal für einen Betrieb on premise im EU-Stack.
Recall@k als Metrik
Weil die Suche approximativ ist, misst man ihre Güte mit Recall@k: Wie oft liegt der korrekte Treffer unter den ersten k Ergebnissen? Bei der Feinunterscheidung nahezu identischer Objekte ist diese Kennzahl zentral. In einem realen Projekt hob ein angepasstes Modell die Trefferquote bei Top-12 gegenüber einer generischen Lösung deutlich an - im regulären Test ebenso wie auf im Training nie gesehenen Objektklassen. Wichtig: Solche Werte müssen über mehrere Läufe gemittelt werden, sonst misst man Rauschen als Fortschritt.
Betrieb und Datenschutz
- On premise: Eine Vektordatenbank kann vollständig im eigenen Rechenzentrum laufen; die Daten verlassen die eigene Infrastruktur nicht.
- Genügsam: Suche und Betrieb kommen mit moderaten Ressourcen aus und benötigen keine stehende Grafikkarte.
- EU-Stack: Für datenschutzkritische Anwendungen bleibt alles unter eigener Kontrolle.
Typische Anwendungen
- Semantische Suche: Finden nach Bedeutung statt exakten Stichwörtern.
- Katalogzuordnung: Ein fotografiertes Objekt dem passenden Eintrag zuordnen.
- RAG: Relevante Dokumente für ein Sprachmodell heraussuchen (siehe RAG).
Vektordatenbanken bei Elasticbrains
Bei Elasticbrains bauen wir Ähnlichkeitssuche auf pgvector und HNSW auf - schlank, schnell und on premise. Wie wir Vektorsuche mit angepassten Modellen kombinieren, zeigen wir auf unserer Leistungsseite KI-Modelle anpassen.