Suchen ohne das richtige Wort
Wie aus Produkttexten und Bildern Zahlenreihen werden, was eine Vektordatenbank damit anfängt und warum Bedeutungsnähe alleine noch keine gute Suche ergibt.
Von der Piqit-Redaktion
Veröffentlicht am 14. August 2026
Mit KI erstelltes Bild. Das Motiv ist generiert und zeigt keine reale Szene.In einem vorherigen Beitrag haben wir beschrieben, wie die Produktsuche im Netz aufgebaut ist: Index, Attribute, Ranking. Recht beiläufig haben wir dabei erwähnt, dass „über Vektoren“ durchsucht wird, also über die Bedeutungsnähe der Beschreibungen.
Eine genauere Erklärung holen wir hier nach. Wir erklären in aller Kürze, was ein Embedding ist, was eine Vektordatenbank damit macht, und an welchen Stellen dieses Verfahren verlässlich danebengreift. Vorab die Einordnung, damit die Erwartung stimmt: Vektorsuche ist der Grund, warum man in ganzen Sätzen suchen kann. Sie ist nicht der Grund, warum die Treffer stimmen.
Warum der Wortvergleich schnell an Grenzen stößt
Eine Volltextsuche vergleicht Zeichenketten. Steht das gesuchte Wort nicht im Dokument, gibt es keinen Treffer. Solange Menschen die Wörter des Katalogs benutzen, fällt das nicht auf. Sie tun es nur selten.
Zwei konkrete Fälle aus unserem Katalog:
„katzenfreundlich“ steht in keinem einzigen Produkttitel eines Möbelstücks. Zieht man die Beschreibungstexte hinzu, sind es ein gutes Dutzend. Passende Produkte gibt es reichlich, sie heißen nur anders: strapazierfähiges Gewebe, robust, pflegeleicht.
„Spiellebensmittel“ steht ebenfalls in keinem Titel. Wer das Wort tippt, bekommt über den reinen Wortvergleich nichts, obwohl das Regal voll ist.
Der Wortvergleich hat kein Sprachproblem, sondern ein Bedeutungsproblem. Er kennt keine Synonyme, keine Oberbegriffe und keine Umschreibung. Genau dafür war die Filterleiste bisher da: Sie übersetzt für den Menschen zurück in die Wörter des Systems.
Was ein Embedding ist
Ein Embedding-Modell liest einen Text und gibt eine Zahlenreihe zurück. Jede Produktbeschreibung im Katalog läuft einmal dort hindurch, das Ergebnis liegt als Feld am Produkt.
Interessant ist nicht die Zahlenreihe, sondern ihre Anordnung. Das Modell ist so trainiert, dass Texte mit ähnlicher Bedeutung ähnliche Reihen bekommen. Man kann sich das als Punktwolke vorstellen: „Sofa“ und „Couch“ liegen dicht beieinander, „Sofa“ und „Schraubenschlüssel“ weit auseinander. Gemessen wird der Winkel zwischen zwei Reihen, üblich ist die Kosinus-Ähnlichkeit.
