Stellen Sie sich das vor. Sie arbeiten in der App Ihres Unternehmens. Vielleicht ist es das HR-Portal, eine Kundensupport-Datenbank oder das interne Wiki mit all den Richtlinien, die Sie befolgen müssen. Sie geben eine Frage in die Suchleiste ein. Etwa so, wie reiche ich einen Spesenbericht für einen Kunden-Denner ein? Sie drücken die Eingabetaste und was bekommen Sie? Nichts. Oder noch schlimmer, eine Liste mit zufälligen PDFs von vor drei Jahren, die irgendwie zu Ihren Wörtern passen. Suche ist etwas, das wir jeden Tag benutzen. Und meistens ist sie furchtbar. Aber wissen Sie was? Das muss nicht so sein. Was wäre, wenn Ihre Apps tatsächlich verstehen können, wonach Sie fragen? Was wäre, wenn Sie wie Google suchen könnten und die richtige Antwort fänden, selbst wenn Sie nicht die perfekten Worte wählen? Heute beschäftigen wir uns mit der Azure AI Search. Was sie genau ist, wie sie im Hintergrund funktioniert und warum sie die Suchmaschine ist, auf der moderne Apps basieren.

Nehmen Sie sich einen Kaffee und legen wir los. Warum suchen Sie besser? Um zu verstehen, warum die Suche meist scheitert, müssen wir uns ansehen, wie die meisten Apps dies tun. Die traditionelle Methode nennt sich Stichwortsuche oder lexikalische Suche. Sie geben das Wort Laptop in das Feld ein und das System sucht nach jedem Dokument, das exakt dieses Wort enthält. Im Hintergrund verwenden viele dieser Systeme einen Algorithmus namens BM25. Er ist nicht kompliziert, aber auf seine Art clever. BM25 bewertet Ergebnisse basierend auf ein paar Faktoren. Wie oft Ihr Suchbegriff in einem Dokument vorkommt, wie lang das Dokument ist und wie selten der Suchbegriff im gesamten Datensatz ist. Stellen Sie es sich wie einen hochentwickelten Wortzähler vor, der anhand dieser Faktoren ermittelt, welche Dokumente am relevantesten sind. Genau hier stößt das Thema seine Grenze. Menschliche Sprache komplex.

Menschen stellen Fragen nicht mit denselben Wörtern, die in Dokumenten verwendet werden. Ich gebe Ihnen ein konkretes Beispiel. Ein Benutzer gibt dies in ein Supportportal. Mein Laptop friert bei Videokonferenzen ständig ein. Die Stichwortsuche sucht pflichtbewusst nach Dokumenten, die Laptop friert. Ein. Videokonferenzen und ständig enthalten. Aber was ist, wenn der beste Artikel zu dem Thema den Titelfehlerbehebung bei Systemaufhängern während Teams Meetings trägt? Oder Verwaltung von CPU-Drosselungen bei angetockten Laptops? Die Stichwortsuche ignoriert diese komplett. Warum? Weil die Wörter nicht übereinstimmen. Das Kernproblem ist folgendes. Die Stichwortsuche versteht Rechtschreibung. Sie versteht Zeichenfolgen, aber sie versteht keine Bedeutung. Sie erhalten Ergebnisse mit den richtigen Buchstaben, aber oft mit dem falschen Inhalt. Wenn exakte Wortübereinstimmungen also so viele Lücken hinterlassen, was ist die Alternative?

Der neue Weg, die Vektorsuche. Also Vektorsuche, das ist eine völlig andere Art, Dinge anzugehen. Statt nach exakten Wörtern zu suchen, sucht sie nach der Bedeutung. Das klingt abstrakt, also lassen Sie uns das auf. Die einfachste Definition, die Sie kennen müssen, ist, Ein Vektor ist nur eine Liste von Zahlen, die etwas darstellt, womit ein Computer arbeiten kann. Das ist alles eine Liste von Zahlen. Ein Embedding ist eine spezielle Art von Vektor, der die Bedeutung von Text erfasst. Er nimmt einen Satz, einen Absatz oder sogar ein ganzes Dokument und verwandelt es in eine lange Zahlenreihe. Der Computer versteht zwar nicht die Wörter, aber er versteht die Zahlen. Hier ist ein Vergleich, der hilft. Stellen Sie sich Vektoren wie Koordinaten auf einer Landkarte vor. Auf einer Karte liegen ähnliche Orte nah beieinander. Im Vektorraum landen ähnliche Konzepte nah beieinander. Der Vektor für König und der Vektor für Königin liegen nah beieinander, weil sie verwandte Ideen darstellen.

Der Vektor für König und der Vektor für Apfel liegen weit auseinander. Der Computer weiß zwar nicht, was König im menschlichen Sinne bedeutet, aber er kann den Abstand zwischen dessen Koordinaten und den jedes anderen Wortes oder Dokuments messen. Es ist, als hätte man ein GPS für Ideen. Das System weiß anhand der Zahlen, wie weit Konzepte voneinander entfernt sind. Wenn Sie mit Vektoren suchen, wandelt das System Ihre Anfrage in ein Embedding um. Dann findet es die Dokumente, deren Embeddings Ihrem am nächsten liegen. Es findet Dinge, die semantisch ähnlich sind, die Bedeutung teilen. Nicht nur Vokabeln, nicht nur Vokabeln. Denn Sie sich vor, Sie suchen ein Dokument zur Fehlerbehebung bei einem eingefrorenen Laptop. Bei der Stichwortsuche müssten Sie exakt eingefroren oder aufgehängt eingeben. Mit der Vektorsuche können Sie mein Computer hängt sich ständig auf Eingeben und das richtige Dokument finden.

Das ist die Kraft des Bedeutung Verstehens. Gehen wir zurück zu unserem Beispiel mit der fehlerhaften Suche. Ein Nutzer gibt ein, mein Laptop fritt ständig ein. Mit der Vektorsuche kann das System den Artikel über Systemabstürze während Teams Meetings liefern, obwohl keines dieser Wörter in der Suchanfrage vorkommt. Warum? Weil die Bedeutung von Systemabstürzen im Vektorraum sehr nah am Einfrieren des Computers liegt. Diese Konzepte liegen auf dieser Karte nah beieinander. Dem System sind die exakten Wörter egal, es interessiert sich für das, was Sie meinen. Das ist der Durchbruch. Computer beginnen die Absicht zu verstehen, nicht nur die Schreibweise. Sie finden Antworten, die eine Stichwortsuche völlig übersehen würde. Aber die Vektorsuche hat auch eine Schwäche. Sie kann exakte Übereinstimmungen verpassen, die absolut kritisch sind. Wenn ein Techniker nach einem spezifischen Fehlercode wie X80070570 Suchtriovisiert eine Vektorsuche, möglicherweise Dokumente über Festplattenfehler oder Dateisystembeschädigungen, anstatt das exakte Dokument, das genau diesen Code erläutert.

Sie tauscht Präzision gegen Verständen. Wir haben also zwei Methoden. Die Stichwortsuche ist hervorragend für Präzision. Sie findet exakte Begriffe, Produkt-IDs und Vertragsnummern. Die Vektorsuche ist hervorragend für Bedeutung. Sie findet die richtige Antwort, selbst wenn man nicht die richtigen Wörter verwendet. Jeder hat ihre blinden Flecken. Und das wirft eine offensichtliche Frage auf. Was wäre, wenn man beide Ansätze kombinieren und das Beste aus beiden Welten erhalten? Der hybride Durchbruch. Hybride Suche ist das Beste aus beiden Welten. Sie führt die Stichwort- und die Vektorsuche gleichzeitig aus und kombiniert die Ergebnisse in einer einzigen Rangliste. Anstatt sich für einen Ansatz zu entscheiden, nutzt das System eine Methode namens Reciprocal Rank Fusion, kurz RAF. So funktioniert es. RAF prüft, wo jedes Dokument in den Stichwort-Ergebnissen rangiert und wo es in den Vektor-Ergebnissen steht.

Dafür gibt es eine kombinierte Punktzahl. Wenn ein Dokument in beiden gut abschneidet, erhält es einen Schuh. Es ist, als würde man zwei Expertenmeinungen einholen und sie mitteln. Das SEND-Ergebnis ist zuverlässiger als jede Methode allein. Dies ist wichtig, da Stichwort- und Vektorsuche grundlegend unterschiedliche Stärken haben. Die Stichwort-Suche glänzt bei exakten Übereinstimmungen. Sie ist die erste Wahl für Produkt-IDs, Vertragsnummern, spezifische Namen und Federcodes. Sie ist präzise und vorhersehbar. Die Vektorsuche glänzt bei semantischer Ähnlichkeit und findet Dokumente, die die gleiche Bedeutung wie Ihre Anfrage haben, auch wenn die exakten Wörter nicht vorkommen. Zusammen decken Sie die blinden Flecken des jeweils anderen. Das System erfasst exakte und konzeptionelle Übereinstimmungen mit einer einzigen Anfrage. Das ist die wahre Stärke. Und das ist nicht nur theoretisch. Untersuchungen zur hybriden Suche in Unternehmen zeigen, dass sie je nach Datensatz eine Suchpräzision von 70 bis 80 Prozent liefert.

Das sind etwa 15 bis 20 Prozentpunkte mehr, als man mit der Vektorsuche allein erhält. Der Unterschied ist signifikant und zeigt sich in realen Geschäftsergebnissen. Nehmen wir die Buchhaltungsplattform Xero. Sie implementierten die hybride Suche in Ihren Kundensupport durch ein Unternehmen namens Covio. Innerhalb von drei Monaten verzeichneten sie eine Steigerung der Self-Service-Lösungsrate um 20 Prozent. Kunden fanden häufiger eigenständige Antworten, ohne den Support kontaktieren zu müssen. Andere Kunden in derselben Fallstudie sahen eine Reduzierung der Bearbeitungszeit für Supportfälle um bis zu 40 Prozent. Das bedeutet, Mitarbeiter fanden Informationen schneller, Kunden erhielten Antworten zügiger und die Supportkosten sanken. Und das ist nicht nur ein nettes Feature, sondern hat einen messbaren Einfluss auf das Geschäftsergebnis. Das ist der entscheidende Punkt. Hybride Suche ist nicht nur ein nettes Upgrade oder ein Häkchen auf einer Funktionsliste.

Sie ist messbar besser. Sie liefert eine höhere Präzision, einen besseren Abruf und bessere Ergebnisse für den Nutzen. Und genau diese Kombination von Ansätzen macht Azure AI Search so leistungsfähig für moderne Anwendungen. Aber es gibt noch eine weitere Technologie, die durch diese Kombination erschlossen wird und die derzeit viel Aufmerksamkeit erhält. Sie heißt RAG, die RAG-Verbindung. Lassen Sie uns also über RAG sprechen. RAG steht für Retrieval Augmented Generation, also eine abrufgeschütztige Enerio. Das klingt kompliziert, aber hier ist die einfachste Definition. Es ist ein Framework, das KI-Assistenten Zugriff auf Informationen gibt, mit denen sie nicht trainiert wurden. Große Sprachmodelle wie GPT wissen viel über Geschichte, Wissenschaft und Programmierung. Aber sie kennen nicht ihre internen Firmendokumente, Richtlinien, Kundendaten oder die spezifischen Verfahren ihres Teams.

Die meisten Leute denken, man könne all dieses interne Wissen einfach in das Modell selbst einspeisen. Das funktioniert nicht. Es ist teuer und schwer zu aktualisieren. RAG löst dieses Problem auf clevere Weise. Anstatt alles in das Modell zu stopfen, rufen sie die relevanten Informationen aus einer Wissensdatenbank ab, genau in dem Moment, in dem man eine Frage stellt. Sie nehmen die Benutzeranfrage, durchsuchen ihre internen Daten, finden die relevantesten Dokumente und speisen diesen Kontext zusammen mit der ursprünglichen Frage in das LLM ein. Das LLM generiert dann eine Antwort, die auf ihren Daten basiert. Es ist das Magische daran. Azure AI Search bildet dabei die Retrieval-Hälfte dieser Gleichung. Es ist die Engine, die die richtigen Dokumente findet, damit das LLM präzise antworten kann. Ohne eine solide Retrieval-Ebene ist ein RAG-System nur so gut wie die Dokumente, die es findet.

Und genau hier glänzt die hybride Suche. Denn RAG-Anfragen sind oft Fragen in natürlicher Sprache, während die Antworten oft in Dokumenten mit völlig unterschiedlicher Terminologie stehen. Lassen Sie mich Ihnen einige Zahlen an, in den den Unterschied wirklich verdrehen. Eine Studie zur Suche in Unternehmensanwendungen ergab, dass ein hybrides RAG-Framework die Top-K-Retrieval-Genauigkeit um das 18-25-Fache gegenüber einer reinen Stichwortsuche verbesserte. Die Genauigkeit beim Abschluss von Arbeitsabläufen verbesserte sich um das 21. Das bedeutet, dass Benutzer mit Unterstützung eines RAG-Systems, das hybride Suche verwendet, komplexe Aufgaben wesentlich erfolgreicher abschließen können. Insgesamt können ordnungsgemäß implementierte RAG-Systeme die Suchgenauigkeit um durchschnittlich 85% steigern, wobei einige spezialisierte Bereiche eine Genauigkeit von nahezu 90% erreichen. Und da das LLM Antworten auf Basis des abgerufenen Kontexts generiert und nicht auf eigenen Vermutungen, zeigten RAG-Systeme eine Verringerung halluzinierter Antworten um etwa 40%.

Deshalb ist Azure AI Search so zentral für die Entwicklung von KI-Agenten und Co-Piloten. Es bietet den fundierten, faktenbasierten Abruf, der LLMs in einem geschäftlichen Kontext vertrauenswürdig macht. Wenn Sie einen Assistenten entwickeln, der Fragen präzise beantworten und seine Quellen angeben soll, ist eine hybride Suche in Kombination mit RAG die Architektur Ihrer Wahl. Hybride Suche plus RAG ist also ein leistungsstarker Kombination. Doch wie sieht das Ganze in der Praxis aus? Die Auswirkungen der Realnummer. Wo kommt das also in der Praxis zum Einsatz? Lassen Sie mich Ihnen ein paar Beispiele nennen. E-Commerce ist wahrscheinlich das bekannteste Beispiel. Ein Kunde gibt bequeme Laufschuhe in die Suchleiste ein. In der Produktbeschreibung steht vielleicht gepolsterte Sportschuhe, weil das Marketing-Team andere Begriffe gewählt hat. Eine reine Stichwort-Suche würde diesen Treffer komplett verfehlen.

Mit Azure AI Search versteht das System, das bequem und gepolstert in diesem Kontext ungefähr das gleiche bedeuten. Es zeigt das richtige Produkt an, auch wenn die Begriffe nicht exakt übereinstimmen. So findet der Kunde, was er sucht, anstatt frustriert die Seite zu verlassen. Kundensupport-Portale funktionieren nach demselben Prinzip. Stellen Sie sich vor, ein Kunde fragt, wie kann ich mein Abonnement kündigen? Die entsprechende Richtlinie trägt vielleicht den Titel Beendigung der Dienstleistungsvereinbarung. Die hybride Suche findet genau dieses Dokument durch den Abgleich juristischer Fachbegriffe, liefert aber durch semantische Ähnlichkeit auch eine passende FAQ zur vorzeitigen Vertragsbeendigung. Der Kunde erhält eine umfassende Antwort, anstatt fünf verschiedene Artikel durchsuchen zu müssen. Die Suche nach Rechtsdokumenten ist ein weiteres Beispiel. Anwälte müssen Verträge nach exakten Klauselnummern und Abschnittsverweisen durchsuchen.

Das ist reines Terrain für die Stichwort-Suche. Aber Sie müssen auch ähnliche Formulierungen in verschiedenen Verträgen finden, selbst wenn die Wortwahl variiert. Die hybride Suche bewältigt beides in einer einzigen Abfrage und in regulierten Branchen ist es für die Compliance entscheidend, genau nachvollziehen zu können, warum ein Ergebnis angezeigt wurde. Auch interne Wissensdatenbanken profitieren davon. Ein Mitarbeiter, der nach der Urlaubsrichtlinie sucht, erhält das offizielle H-Dokument, aber auch eine diesbezügliche E-Mail der Rechtsabteilung zu Resturlaubstagen, sowie eine aktuelle Mitteilung aus dem Firmenintranet. Die Suche versteht, dass all diese Dinge mit derselben Frage zusammenhängen. Die Fertigungsindustrie ist ein weniger offensichtliches, aber sehr starkes Beispiel. Ein Techniker gibt Motorüberhitzung beheben in die Suchoberfläche ein. Das System liefert den Abschnitt zur Fehlerbehebung aus dem Gerätehandbuch sowie ein gescanntes Diagramm mit den relevanten Bauteilen mit den relevanten Bauteilen.

Obwohl das Diagramm ein Bild ist, kann Azure AI Search den Textinhalt extrahieren und indexieren, sodass er in den Suchergebnissen erscheint. Der rote Faden bei all diesen Beispielen sind unstrukturierte Daten. PDFs, Word-Dokumente, E-Mail-Support-Tickets, gescannte Bilder. Herkömmliche Datenbankabfragen und Stichwort-Suchen waren nie für diese Art von Daten konzipiert. Azure AI Search ist speziell für diese Welt entwickelt und je intensiver man sich damit befasst, desto klarer wird, dass hybride Suche nicht nur ein nettes Feature ist. Es ist ein grundlegender Bestandteil, wie moderne Anwendungen aufgebaut sind. Die Details zusammenpassen. Wie funktioniert das Ganze also eigentlich im Hintergrund? Azure AI Search hat drei Kernkomponenten. Die Datenquelle, den Indexer und den Suchindex. Die Datenquelle ist der Ort, an dem Ihre Informationen liegen. Das kann Blob Storage, eine Azure SQL-Datenbank, Cosmos DB oder sogar SharePoint sein.

Es ist das Rohmaterial, das durchsuchbar gemacht werden muss. Denen Sie es sich wie ein Stapel Dokumente vor, der darauf wartet, organisiert zu werden. Der Indexer ist die Pipeline, die Daten aus der Quelle liest, den Inhalt extrahiert, konfigurierte KI-Anreicherungen anwendet und dann den Suchindex aufbaut. Hier ist eine einfache Möglichkeit, Sie das vorzustellen. Stellen Sie sich einen Bibliothekar vor, der ein Lagerhaus voller Bücher betritt. Er liest jedes einzelne, macht sich detaillierte Notizen, identifiziert Schlüsselthemen und Entitäten und ordnet alles in einem Katalog. Dieses Lesen und Notieren ist der Indizierungsprozess. Der Suchindex ist dieser Katalog. Es sind nicht die Bücher selbst. Es ist das strukturierte, optimierte System, mit dem Sie in Millisekunden genau das finden, was Sie brauchen. Wenn Sie eine Suchanfrage eingeben, durchsucht das System nicht die Originaldokumente Mente.

Stattdessen schlägt es im Index nach, der bereits genau weiß, wo sich alles befindet. Diese Voraborganisation nennt man einen invertierten Index. Anstatt Dokumente mit einer Liste Ihrer Wörter zu speichern, speichern Sie Wörter mit einer Liste der Dokumente, in denen Sie vorkommen. Das bedeutet, wenn Sie nach einem Begriff suchen, springen Sie direkt an die richtige Stelle. Kein Blättern durch jede einzelne Seite. Das Ergebnis ist eine enorme Geschwindigkeitscheck. Anstatt jedes Dokument scannen zu müssen, was bei wachsender Datenmenge immer länger dauert, springen Sie direkt an die richtige Position. Sehr. Bei Millionen von Dokumenten macht das den Unterschied zwischen einer Suche, die Sekunden dauert, und einer, die nur Millisekunden benötigt. Sie verstehen jetzt also, was Azure AI Search ist, wie die Kernkomponenten zusammenwirken und warum die hybride Suche alles verändert. Fassen wir zusammen, was Sie damit konkret tun können.

Erstens verstehen Sie Ihre Daten. Wenn Sie bereits strukturiert sind, etwa Produkttabellen in SQL, Kundendatensätze in einer Datenbank oder alles mit sauberen Zeilen und Spalten, können Sie diese direkt mit SQL abfragen. Azure AI Search wurde für unstrukturierten Text entwickelt. Das sind PDFs, E-Mails, Word-Dokumente und Support-Tickets. Dort liefert es den echten Mehrwert. Zweitens, wenn Sie eine RAG-Anwendung oder einen KI-Assistenten entwickeln, ist Azure AI Search mit hybrider Suche die ideale Retrieval-Engine dafür. Es bietet exakte Keyword-Treffer für Präzision und semantisches Verständnis für den Kontext. Diese Kombination liefert zuverlässigere, zitierfähige Antworten als jeder Ansatz für Sie allein. Drittens, komplizieren Sie das Setup mit unnötig. Das Azure Portal bietet einen Assistenten für den Daten. Verbinden Sie Ihren Blob-Speicher, konfigurieren Sie einige Einstellungen und lassen Sie den Indexer Ihren ersten Index erstellen.

Sie können Ihre erste Suche in unter einer Stunde starten. Das ist also Azure AI Search, einfach erklärt. Es nimmt ungeordnete, unstrukturierte Informationen und macht daraus durchsuchbares, KI-fähiges Wissen. Danke, dass Sie dabei waren. Abonnieren Sie und wir sehen uns in der nächsten Folge.