Bedeutung
Embeddings bilden Text, Produkte oder andere unterstützte Medien als Vektoren ab und ermöglichen Ähnlichkeitssuche über Formulierungsgrenzen hinweg.
Semantische Suche und Vector Search
Semantische Suche entwickeln: Inhalte nach Bedeutung finden, ohne Rechte und Genauigkeit zu verlieren
Wir bauen Suchsysteme für Produkte, Dokumente, Wissen und Bilder. Embeddings liefern semantische Kandidaten; Keywords, Filter, Zugriffsrechte und messbare Relevanz machen daraus eine verlässliche Unternehmenssuche.
Semantische Suche ergänzt exakte Suche – sie ersetzt sie nicht pauschal
Keyword-Suche ist stark bei Artikelnummern, Namen, Fachbegriffen und exakten Formulierungen. Vektorsuche findet Inhalte, die inhaltlich zur Anfrage passen, obwohl andere Wörter verwendet werden. In Unternehmen ist die beste Lösung häufig hybrid: Beide Kandidatenlisten werden mit Metadaten, Filtern und Geschäftsregeln kombiniert.
Präzision
Keywords, Produktattribute, Datumsfilter, Quellenstatus und Boosting-Regeln halten exakte Signale im Ranking.
Berechtigung
Tenant, Rolle, Besitzer, Dokumentklasse und Freigabestatus begrenzen Kandidaten vor der Ausgabe – nicht erst in der Oberfläche.
Geeignete Anwendungsfälle
Produktsuche
Nutzer beschreiben Bedarf oder Problem in natürlicher Sprache und erhalten passende Produkte, ergänzt um Kategorie, Preis, Verfügbarkeit und Anbieterfilter.
Dokumenten- und Wissenssuche
Handbücher, Verträge, Richtlinien, Tickets oder interne Wissensartikel werden quellenbezogen auffindbar, ohne Zugriffsrechte zu umgehen.
Bildsuche
Bilder können über unterstützte multimodale Embeddings mit Motiven, Situationen oder Beschreibungen gefunden werden. Nutzungsrechte und Sichtbarkeit bleiben separate Metadaten.
Support und RAG
Ein KI-Agent erhält nur relevante, aktuelle und erlaubte Quellen. Suchqualität und Antwortqualität werden getrennt ausgewertet.
Marketplace Discovery
Produkte, Services und Anbieter werden über Bedeutung, Filter, Popularität und Geschäftsregeln zusammengeführt.
Ähnliche Inhalte
Verwandte Dokumente, Produkte oder Fälle werden ohne starre manuelle Schlagwortlisten vorgeschlagen.
Architektur einer belastbaren Unternehmenssuche
- Quellen: APIs, Datenbanken, Dateien oder Objekt-Speicher liefern Inhalt, stabile IDs, Zeitstempel und Berechtigungen.
- Aufbereitung: Text wird sinnvoll segmentiert; Produkte und Bilder erhalten konsistente Metadaten. Leere, doppelte oder veraltete Inhalte werden erkannt.
- Embedding und Index: Ein fest versioniertes Modell erzeugt Vektoren. TEX8 kann dafür Weaviate und eine kontrollierte In-house-Pipeline verwenden.
- Retrieval: Keyword- und Vektorsuche bilden Kandidaten. Filter, Rechte, Re-Ranking und Geschäftsregeln bestimmen die Ausgabe.
- Evaluation: Reale Testanfragen, erwartete Treffer, No-result-Fälle, Latenz und Feedback werden versioniert gemessen.
- Betrieb: Änderungen, Löschungen und Berechtigungen lösen nachvollziehbare Re-Indexierung aus; Queue und Indexstand werden überwacht.
Zugriffsrechte müssen Teil der Suche sein
Eine gute Trefferliste ist wertlos, wenn sie geschützte Inhalte verrät. Filter für Mandant, Nutzer, Rolle oder Dokumentfreigabe werden deshalb bereits beim Retrieval angewendet. Auch Ausschnitte, Facetten, Trefferzahlen und Vorschauen dürfen keine Informationen aus ausgeschlossenen Dokumenten ableiten. Bei Änderungen muss der Index denselben Zustand wie die Quelle erreichen; dafür braucht es wiederholbare Events und eine sichtbare Fehlerqueue.
Relevanz wird mit einem Testset bewiesen
Ein Demo-Treffer zeigt nur, dass die Technik grundsätzlich antwortet. Vor dem Launch sammeln wir repräsentative Suchanfragen: exakte Begriffe, Umgangssprache, Synonyme, Tippfehler, mehrdeutige Fragen, berechtigte und unberechtigte Inhalte sowie Anfragen ohne sinnvollen Treffer. Für jede Version werden mindestens Trefferqualität, Abdeckung, falsche Treffer, Latenz und Aktualität verglichen.
| Messbereich | Beispiel | Entscheidung |
|---|---|---|
| Relevanz | Ist ein erwarteter Treffer in den ersten Ergebnissen? | Gewichtung, Chunking oder Modell anpassen |
| Sicherheit | Erhält Rolle A wirklich keine Inhalte von Rolle B? | Filter und Indexvertrag korrigieren |
| Aktualität | Wie schnell erscheinen Änderung und Löschung? | Events, Queue und Re-Indexierung verbessern |
| Betrieb | Welche Anfrage liefert gar keinen brauchbaren Treffer? | Inhalte, Synonyme oder Produktdaten ergänzen |
Schrittweise Umsetzung
- 1. Suchziel: Nutzergruppe, Quellen, Rechte und messbare Erfolgsfälle definieren.
- 2. Datenprobe: echte Inhalte prüfen und eine repräsentative Testmenge aufbauen.
- 3. Baseline: klassische Suche gegen semantische und hybride Varianten messen.
- 4. Integration: Suche in Website, App, Marketplace, Desktop oder KI-Agent einbinden.
- 5. Betrieb: Feedback, No-result-Anfragen, Indexfrische, Kosten und Latenz überwachen.
Passender Kontext: Die Suche lässt sich direkt mit einem AI Marketplace, einer mobilen App oder einem KI-Agenten verbinden.
Keine Qualitäts- oder Datenschutzversprechen ohne Nachweis
Embeddings können fehlerhafte Ähnlichkeiten liefern und Modelle können sich bei einem Wechsel anders verhalten. Qualität hängt von Daten, Sprache, Domäne und Messmethode ab. Ob Cloud- oder lokale Modelle geeignet sind, wird anhand von Datenschutz, Schutzbedarf, Hardware, Kosten und Qualität entschieden. TEX8 verspricht keine perfekte Trefferquote, sondern einen messbaren, versionierten Verbesserungsprozess.
Häufige Fragen zur semantischen Suche
Was ist der Unterschied zwischen semantischer und klassischer Suche?
Klassische Suche bewertet vor allem Wörter und exakte Signale. Semantische Suche nutzt Vektoren, um inhaltliche Ähnlichkeit zu finden. Hybride Suche kombiniert beide Ansätze mit Filtern und Regeln.
Kann die Suche Bilder finden?
Ja, wenn ein geeignetes multimodales Embedding-Modell und saubere Bildmetadaten verwendet werden. Sichtbarkeit und Nutzungsrechte müssen unabhängig vom Vektor im Index berücksichtigt werden.
Eignet sich Weaviate für die Umsetzung?
Weaviate kann Vektor-, Hybrid- und gefilterte Suche bereitstellen. Ob es passt, hängt von Datenmenge, Betriebsmodell, Mandantentrennung, Latenz und vorhandener Infrastruktur ab.
Wie verhindert man Treffer aus geschützten Dokumenten?
Berechtigungsattribute werden mitindexiert und bereits bei der Kandidatensuche gefiltert. Zusätzlich testen wir Rollen- und Mandantengrenzen mit negativen Testfällen.
Wie bleibt der Index aktuell?
Änderungen und Löschungen werden über wiederholbare Events oder geplante Re-Indexierung verarbeitet. Queue, Fehler und letzter erfolgreicher Indexstand müssen sichtbar überwacht werden.
Passende Fachbeiträge und Lösungen
Mit echten Anfragen testen, bevor die Suche produktiv geht
Wir vergleichen Keyword-, Vektor- und Hybrid-Suche an Ihren Daten und bauen erst danach die belastbare Integration.