Klassische Datenbanken sind darauf optimiert, exakte Antworten zu liefern: „Finde User-ID 42“ oder „alle Einträge mit Status = aktiv“. KI-Anwendungen stellen jedoch eine andere Art von Frage: „Welche Inhalte sind inhaltlich ähnlich zu dieser Anfrage?“ Genau hier beginnt das Problem – und gleichzeitig die Stärke von Vector Databases.
Das Grundproblem: Warum klassische Suche bei KI versagt
Eine typische SQL-Suche wie LIKE '%Anfrage%' arbeitet rein auf Textebene. Sie erkennt keine Bedeutung, keine Synonyme und keinen Kontext. Eine Suche nach „Cloud Security“ wird nicht automatisch Inhalte zu „Zero Trust“ oder „IAM Hardening“ finden – obwohl sie thematisch eng verwandt sind.
KI-Systeme lösen dieses Problem über sogenannte Embeddings. Dabei wird ein Inhalt (Text, Bild oder Audio) in einen mathematischen Vektor umgewandelt – also eine Liste aus Zahlen, zum Beispiel 1536 Dimensionen.
Diese Zahlen sind keine Zufallswerte, sondern repräsentieren semantische Eigenschaften. Inhalte mit ähnlicher Bedeutung liegen im Vektorraum näher beieinander als völlig unterschiedliche Inhalte.
Das Problem: Um Ähnlichkeit zu bestimmen, müssen diese Vektoren miteinander verglichen werden. Bei großen Datenmengen (Millionen oder mehr) ist das mit klassischen Datenbanken extrem ineffizient.
