Semantische Suche ist eine Methode, um Informationen zu finden, die auf die Bedeutung hinter einer Anfrage abzielt und nicht auf die genauen Wörter, die ein Nutzer eingegeben hat. Anstatt eine exakte Übereinstimmung mit Schlüsselwörtern zu verlangen, interpretiert sie Absicht, Synonyme und Kontext, um konzeptuell relevante Ergebnisse zu liefern. Dadurch erkennt eine Suchmaschine, dass jemand, der nach "wie repariere ich einen tropfenden Wasserhahn" sucht, in Wirklichkeit nach Sanitärreparaturen fragt – selbst wenn kein Dokument beide Formulierungen wörtlich enthält.
Wie semantische Suche funktioniert
Im Kern der semantischen Suche stehen Embeddings – numerische Repräsentationen von Text, die von einem Sprachmodell erzeugt werden. Jeder Text, sei es eine Anfrage oder ein Dokument, wird in einen hochdimensionalen Vektor umgewandelt, der seinen semantischen Inhalt erfasst. Wenn ein Nutzer sucht, wird seine Anfrage in denselben Vektorraum eingebettet, und das System ruft die Dokumente ab, deren Vektoren dem Anfragevektor am nächsten liegen – üblicherweise gemessen mit Kosinus-Ähnlichkeit oder euklidischer Distanz.
So kann beispielsweise eine Anfrage wie "Tipps für das Arbeiten von zu Hause" zu einem Dokument mit dem Titel "Produktivitäts-Tipps für Remote-Arbeit" passen, weil die beiden Sätze ähnliche Vektoren erzeugen, obwohl sie kaum Wörter gemeinsam haben. Moderne Systeme kombinieren oft semantische Vektoren mit klassischen Keyword-Signalen (ein hybrider Ansatz), um Präzision und Recall in Balance zu bringen.
Warum sie wichtig ist
Semantische Suche verbessert die Nutzererfahrung in Anwendungen erheblich, in denen Nutzer das richtige Vokabular nicht kennen, in denen relevante Inhalte auf viele verschiedene Arten formuliert sind oder in denen die Absicht wichtiger ist als die Formulierung. Sie treibt Enterprise-Wissensdatenbanken, Kundensupport-Portale, juristische und medizinische Dokumentenrecherche, Produktentdeckung im E-Commerce sowie den Abrufschritt in RAG-Systemen (Retrieval-Augmented Generation) an. Indem sie konzeptuell verwandte Inhalte sichtbar macht, verringert sie die Lücke zwischen der natürlichen Art zu fragen und der Art, wie Informationen gespeichert sind.
Wesentliche Komponenten
- Embedding-Modell: Ein neuronales Netzwerk (oft ein Transformer), das Text in dichte Vektoren abbildet, etwa sentence-transformers, OpenAI-Embeddings oder Cohere-Embed-Modelle.
- Vektor-Datenbank: Ein spezialisierter Speicher für schnelle Nearest-Neighbor-Suchen im großen Maßstab – Beispiele sind Pinecone, Weaviate, Milvus und pgvector.
- Ähnlichkeitsmetrik: Ein Distanzmaß (Kosinus, Dot Product oder euklidisch), das zur Rangfolge der Kandidaten verwendet wird.
- Reranker: Ein optionales Cross-Encoder-Modell, das die Top-Kandidaten für höhere Präzision neu bewertet.
- Hybride Suche: Kombination aus Vektorsuche und BM25 oder Keyword-Filtern, um seltene Begriffe, Eigennamen und exakte Identifikatoren zuverlässig zu verarbeiten.
Semantische Suche ist zu einem grundlegenden Baustein moderner KI-Anwendungen geworden, insbesondere da große Sprachmodelle darauf angewiesen sind, um ihre Antworten auf aktuelle oder proprietäre Informationen zu stützen.