Hallo zusammen und herzlich willkommen zu einer weiteren Folge von Microsoft Knowledge Nuggets hier auf M365FM. Ähm, bin ja Gastgeber, mir kopiert. Das heutige Thema ist etwas, von dem fast jeder schon gehört hat, das aber nur sehr wenige wirklich verstehen. Vektordatenbank. Sie haben diesen Begriff wahrscheinlich schon in Artikeln über KI gesehen oder in Gesprächen über Co-Pilot und Chat-GPT gehört. Doch was genau ist eine Vektordatenbank? Ist es nur eine normale Datenbank mit einem schickeren Namen? Oder ist es etwas völlig anderes? Stellen Sie sich vor, Sie suchen auf einer E-Commerce-Seite nach rote Jacke unterhalten Ergebnisse wie Kamesin-roter Mantel oder berunderfarbene Oberbekleidung. Woher weiß der Computer, dass das derselbe ist? Es geht hier nicht um das Abgleich von Schlüsselwirt. Kamesin-rot ist nicht rot und ein Mantel ist nicht gleich eine Jacke. Doch irgendwie versteht die Suchmaschine, dass sie zusammengehören. Und genau das ist Vektorsuche in Aktion. Am Ende dieser Folge werden Sie verstehen, was Vektordatenbanken eigentlich sind, warum Sie KI-Suche und Co-Pilot antreiben und wie Sie in die Microsoft Cloud passen. Wir bleiben bei einer einfachen Sprache. Keine Mathematik, kein Fachchinesisch, nur klare Bausteine. Was ist eigentlich ein Vektor? Beginnen wir mit der Kernfrage. Was genau ist ein Vektor? Wenn die meisten Menschen das Wort Vektor hören, stellen sie sich einen Pfeil aus dem Physikunterricht vor, mit Richtung und Stärke. In der Informatik ist es viel einfacher. Ein Vektor ist eigentlich nur eine Liste von Zahlen. Ein dimensionales Array, das etwas in einem Format darstellt, mit dem der Computer arbeiten kann. Hier ist eine praktische Art, sich das vorzustellen. Wenn ich Ihnen sage, Sie sollen mich im dritten Stock in Flügel B-Raum 12 treffen, dann sind das drei Zahlen, die einen bestimmten Ort beschreiben. Das ist ein dreidimensionaler Vektor, der Ihnen genau sagt, wo sich etwas in einem Gebäude befindet. Stellen Sie sich nun vor, ich füge weitere Tests. Farbe der Tür, Größe des Raumes, Preis pro Quadratmeter. Ja, jedes neue Detail wird zu einer weiteren Dimension. Je mehr Dimensionen Sie also aufbauen, desto mehr Informationen können Sie über eine Sache erfassen. Ein Auto könnte durch Geschwindigkeit, Kilometerstand, Preisgewicht und Sicherheitsbewertung beschrieben werden. Das ist ein fünffdimensionaler Vektor. Ein Produkt könnte durch hunderte Merkmale beschrieben werden, was einen hochdimensionalen Vektor ergibt. Das ist der Punkt. Vektoren erlauben es uns, Dinge in Zahlen umzuwandeln, die Computer vergleichen. Wörter, Bilder, Töne, Dokumente, alles kann zu einer Liste von Zahlen werden. Sobald alles aus Zahlen besteht, können Sie beginnen zu messen, wie ähnlich sich zwei Dinge wirklich sind. Zwei Räume auf derselben Etage mit ähnlichen Türfarben landen im Vektorraum nah beieinander. Und auch zwei Produkte mit ähnlichen Merkmalen kopieren sich zusammen. Diese einfache Idee ist es, die moderne KI-Suche ermöglicht. Von Vektoren zu Embeddings? Nicht alle Vektoren sind gleich. Es gibt eine spezielle Art, die nennt sich Embedding. Und genau darin liegt die Ware stärk. Was genau so ein Embedding? Ein Embedding ist ein Vektor, der Bedeutung repräsentiert. Ein Machine Learning Modell wie Text Embedding 3 Small von Azure OpenAI liest Text und ordnet ihn in einem hochdimensionalen Raum an. Das Modell hat aus Milliarden von Beispielen gelernt und versteht daher, wie Wörter zusammenhängen. König und Königin landen nah beieinander, da sie einen ähnlichen Kontext teilen. König und Kaffee landen weit voneinander entfernt, da dies nicht der Falle. Hier ist die Bedeutung in einfachen Worten erklärt. Wenn Sie nach rote Jacke suchen, findet das System Kamesin-roter Mantel. Das Embedding-Modell erkennt, dass Rot und Kamesin eine ähnliche Bedeutung haben und Jacke und Mantel ebenfalls nah beieinander liegen. Die Embeddings für diese beiden Ausdrücke werden zu Nachbarn im Vektorraum. Der Computer gleicht nicht mehr nur Buchstaben ab, er gleicht Bedeutungen ab. Lassen Sie mich Ihnen nun ein klassisches Beispiel geben. Nehmen Sie den Vektor für König, ziehen Sie den Vektor für Mann ab und addieren Sie den Vektor für Frau. Das Ergebnis liegt sehr nah am Vektor für Königin. König minus Mann plus Frau ergibt Königin. Das mag wie Magie klingen, aber so bettet das Modell Beziehungen in Zahlen ein. Es hat gelernt, dass König und Königin eine ähnliche Beziehung haben wie Mann und Frau und diese Beziehung ist in den Koordinaten kodiert. Embedding-Modelle nehmen also Ihre Rohdaten, egal ob Text, Bilder oder Audio, und wandeln sie in eine Liste von Zahlen, um die deren Bedeutung repräsentieren. Diese Zahlen werden zu Koordinaten in einem hochdimensionalen Raum. Wenn Sie dann suchen, wird Ihre Anfrage in dieselbe Art von Koordinaten umgewandelt. Alles, was Sie tun müssen, ist den Abstand zwischen Ihnen zu messen. Das ist die Kernidee. Warum traditionelle Datenbanken an Ihre Grenzen? Wenn Embeddings leistungsfähig sind, warum können wir nicht einfach eine normale Datenbank verwenden? Lassen Sie es jetzt beantworten. Traditionelle SQL-Datenbanken sind für exakte Beeinstimmung gebaut. Sie schreiben where color equals red und es findet jede Zeile, in der die Farbspalte buchstäblich wait enthält. Das funktioniert hervorragend für strukturierte Daten wie Kundennamen, Bestelldaten oder Preise, scheitert aber völlig, wenn man ungenaue Bedeutungen benötigt. Versuchen Sie mal, eine SQL-Abfrage zu schreiben, die Kamesin-roter Mantel findet, wenn in Ihren Daten nur Burgunder-Rote-Jacke steht. Das geht nicht, weil SQL keine Konzepte versteht? Traditionelle Datenbanken speichern Daten in Zeilen und Spalten. Sie sind für Joints, Aggregation und exakte Suchabfragen optimiert. Sie wissen nicht, dass Auto und Fahrzeug dasselbe sind. Sie wissen nicht, dass aufgeregt und begeistert ähnliche Emotionen sind. Sie gleichen lediglich Zeichenfolgen. Und wenn Ihre Daten unstrukturiert sind, wie PDFs, Bilder, Audioaufnahmen oder lange Dokumente, können traditionelle Datenbanken diese zwar als Blob speichern, aber Ihren Inhalt nicht wirklich durchsuchen. Sie bräuchten eine Volltextsuche, die jedoch weiterhin auf Schlüsselwortabgleichen basiert. Wenn der Nutzer Budgetbericht eingibt, das Dokument aber Finanzbericht heißt, findet die Schlüsselwortsuche es gar nicht. Stellen Sie sich so vor. Eine herkömmliche Datenbank ist wie ein Aktenschrank. Sie müssen den genauen Dateinamen kennen, um zu finden, was Sie suchen. Eine Vektordatenbank ist wie ein Bibliothekar, der versteht, was Sie meinen. Sie können sagen, ich brauche das Dokument über die Ausgaben des letzten Quartals. Und der Bibliothekar weiß genau, welchen Ordner er hervorholen muss, selbst wenn der Ordner Finanzbericht Q3Y heißt. Der Bibliothekar versteht die Absicht, nicht nur die Beschriftungen. Deshalb gibt es Vektordatenbanken. Sie speichern Embeddings, also Vektoren, die Bedeutung erfassen und indexieren diese so, dass Ähnlichkeitssuchen schnell ablaufen. Sie ersetzen keine herkömmlichen Datenbanken. Sie fügen eine Ebene des Verständnisses hinzu und diese Ebene verändert alles. Sie fügen eine Ebene des Verständnisses hinzu und diese Ebene verändert alles, wie Vektordatenbanken funktionieren. Wie läuft das Ganze also hinter den Kulissen ab? Gehen wir die zwei Hauptphasen durch, Aufnahme und Abfrage. Die Aufnahme ist die Einrichtungsphase. Sie nehmen Ihre Rohdatenproduktbeschreibungen, Support-Tickets, interne Dokumente, was auch immer, und jagen jedes Stück durch ein sogenanntes Embedding-Modell. Dieses Modell wandelt den Text in einen Vektor um, was im Grunde eine Liste von Zahlen ist, die den Sinn erfasst. Dann speichern Sie diesen Vektor zusammen mit Metadaten, dem Originaltext, einem Zeitstempel oder vielleicht einer Kategorie oder Quell-URL in der Datenbank. Jetzt kommt der raffinierte Teil. Bei einer Million Dokumenten würde es ewig dauern, jeden einzelnen Vektor nacheinander zu prüfen. Deshalb nutzen Datenbanken ein Verfahren namens Indexierung. Stellen Sie sich Indexierung wie das Erstellen einer Karte des Vektorraums vor, statt an jede einzelne Tür zu klopfen. Zwei gängige Methoden sind IVF und HNSW. IVF steht für Inverted File Index. Es funktioniert, indem ähnliche Vektoren in Clustern gruppiert werden. Wenn Sie suchen, durchsuchen Sie nicht alle Millionen Vektoren, sondern prüfen nur die vielversprechendsten Cluster. Das ist wie die Suche in einer Bibliothek. Sie gehen direkt zum richtigen Bereich, statt jedes Regal abzusuchen. HNSW steht für Hierarchical Navigable Small World. Die Idee ist ziemlich elegant. Es erstellt eine mehrschichtige Karte Ihrer Vektoren. Die oberste Ebene enthält einige repräsentative Vektoren, die eine grobe Vorstellung davon geben, wo sich Dinge befinden. Jede darunterliegende Ebene wird detaillierter. Bei der Suche beginnen Sie oben, finden die allgemeine Umgebung und arbeiten sich dann Ebene für Ebene vor, bis Sie den exakten Treffer landen. Bis Sie den exakten Treffer landen. Das ist, als würden Sie erst eine Stadtkarte, dann eine Umgebungskarte und schließlich einen Straßenplan nutzen. Jeder Schritt bringt Sie näher. Das Ergebnis ist, dass Sie Millionen von Vektoren in Millisekunden durchsuchen können. Das ermöglicht KI-Funktionen in Echtzeit. Wenn Sie eine Frage in einen Co-Piloten eingeben und in Sekunden eine Antwort erhalten, hat irgendwo eine Vektordatenbank gerade eine Ähnlichkeitssuche über Tausende oder Millionen Dokumente ausgeführt. Die Abfragephase funktioniert in umgekehrter Richtung genauso. Sie geben Ihre Frage ein. Diese Frage wird mit demselben Embedding-Modell in einen Vektor umgewandelt. Dann findet die Datenbank mithilfe des Index die nächsten Nachbarn zu ihrem Abfragevektor. Sie liefert die ähnlichsten Ergebnisse, sortiert nach Distanz. Je näher die Vektoren beieinander liegen, desto relevanter das Ergebnis. Das Microsoft-Ökosystem, in dem Vektoren leben. Wo ist das alles also in der Microsoft-Welt zu finden? Die kurze Antwort lautet überall. Microsoft integriert Vektorfähigkeiten in die Datenplattform, die Sie bereits nutzen, anstatt sie zu einer separaten Spezialdatenbank zu drängen. Gehen wir die wichtigsten durch. Azure AI Search ist der gängigste Vektorspeicher für Enterprise ARG AG. Das steht für Retrieval Augmented Generation. Es unterstützt Hybride-Suche. Das heißt, es kombiniert klassisches Keyword-Matching mit Vektorähnlichkeit mit Vektorähnlichkeit. Warum ist das wichtig? Weil manche Suche mit Keywords exakten Produkten, Codes, Namen oder Daten am besten funktionieren, während andere semantisches Verständnis erfordern. Hybride-Suche bietet beides. Azure AI Search bietet zudem integrierte Vektorisierung, sodass Sie eine Pipeline erstellen können, die Dokumente automatisch in Stücke unterteilt, Embeddings generiert und diese indexiert, ohne eigenen Code zu schreiben. Cosmos DB verfügt jetzt über eine native Vektorsuche mit Diskan-Indexierung. Disk-ANN steht für diskbasierten, ungefähren nächsten Nachbarn und ist für Latenzen unter 20 Millisekunden selbst bei massiver Skalierung ausgelegt. Das ist großartig für operative Daten, die bereits in Cosmos DB liegen. Gehren Sie sich vor, Sie bauen eine E-Commerce-App mit Cosmos DB als Backend. Sie können jetzt direkt Vektorsuche zu Ihrem Produktkatalog hinzufügen, ohne Daten in einen separaten Dienst zu verschieben. Ein Kunde sucht nach leichten Sommerschuhen und Ihre App findet Produkte mit ähnlichen Beschreibungen direkt in Ihrer bestehenden Datenbank. Azure SQL Server 2025 und Azure SQL Database sind ebenfalls mit dabei. Sie enthalten jetzt einen nativen Vektordatentyp und Funktionen wie die Vektorsuche. Das bedeutet, Sie können Embeddings direkt neben Ihren relationalen Daten speichern. Kundendatensätze mit Vektordarstellung Ihrer Präferenzen, Inventar, Gegenstände mit Vektorbeschreibungen, Support-Tickets mit Vektor-Embeddings Ihres Inhalts. Sie benötigen keine separate Vektordatenbank. Ihre vorhandenen SQL-Kennnisse sind weiternahmend. Fügen Sie einfach eine Vektorspalte hinzu, erstellen Sie einen Index und beginnen Sie die Suche nach Ähnlichkeit. So nutzt Co-Pilot dies im Hintergrund. Wenn Sie fragen, zeigt mir den Q3-Verkaufsbericht vom letzten Jahr. Sucht Co-Pilot nicht nach dem exakten Begriff Q3-Verkaufsbericht. Es wandelt Ihre Frage in einen Vektor um, durchsucht indexierte Dokumente, E-Mails, SharePoint-Dateien, OneDrive-Dokumente sowie Teams-Chats und findet das Dokument, dessen Embedding Ihrer Anfrage am nächsten kommt. Es könnte eine Datei namens Finanzbericht Q3 2024 finden, weil die Bedeutung übereinstimmt, auch wenn die genauen Wörter nicht passen. Das ist Vektorsuche in der Praxis. Die zentrale Erkenntnis hier ist Microsoft-Strategie. Anstatt zu sagen, kaufen Sie eine spezielle Vektordatenbank, fügen Sie die Vektorfähigkeiten in Tools hinzu, die Sie bereits nutzen. Azure AI Search, Cosmos DB, SQL Server, Sie alle beherrschen jetzt Vektoren. Sie müssen kein neues System erlernen. Sie müssen nur das Konzept verstehen, die schwere Arbeit übernimmt Microsoft. Reale Anwendungsfälle in der KI. Wo sieht man Vektordatenbanken heute also tatsächlich im Einsatz? Hier ist, wie sich das in der Welt auswirkt. R.G. ist der wichtigste Punkt. Das steht für Retrieval Augmented Generation und so funktioniert die meiste Unternehmens-KI heute. Wenn Sie einem Chatbot eine Frage stellen, rät er nicht basierend auf seinen Trainingsdaten. Stattdessen durchsucht er eine Vektordatenbank nach relevanten Dokumenten, greift sich die passendsten Ergebnisse und übergibt sie dem Sprachmodell als Kontext. Das Modell erstellt dann eine Antwort aus diesen tatsächlichen Dokumenten. Das bedeutet präzise Antworten zu den Richtlinien, Produkten oder Daten Ihres Unternehmens. Ohne Vektordatenbanken würde die KI basierend auf allgemeinem Internetwissen raten. Mit ihnen greift sie direkt auf ihre echten Dateien zu. Empfehlungsengines sind ein weiterer riesiger Anwendungsfall. Netflix, Amazon, YouTube, sie alle funktionieren auf die gleiche Weise. Sie wandeln Nutzer in Vektoren um, basierend auf ihrem Verhalten, was sie schauen, kaufen oder anklicken. Und sie wandeln Artikel in Vektoren um, basierend auf Beschreibung, Bewertung und Merkmal. Dann suchen sie einfach nach den nächsten Nachbarn. Legt ihr Vektor nahe an einen Filmvektor, wird ihnen dieser Film empfohlen. Das ist Ähnlichkeitssuche in riesigem Maßstab, die hunderte Male pro Sekunde für jeden einzelnen Nutzer abläuft. Remantische Suche ist der dritte große Anwendungsfall. Hierbei wird nach Bedeutung gesucht, nicht nach Schlüsselwürde. Ein Support-Mitarbeiter tippt, Kunde kann sich nach Passwort-Reset nicht einloggen. Und findet einen Artikel mit dem Titel Fehlerbehebung bei Authentifizierungsproblemen nach Aktualisierung der Anmeldet an. Die Wörter stimmen nicht überein, aber die Bedeutung schon. Genau das ermöglicht Vektorsuch. Für ein Team, das täglich hunderte von Tickets bearbeitet, verkürzt dies die Lösungszeit dramatisch. Dann gibt es noch die Anomalieerkennung. Weniger offensichtlich, aber Leistungsstatt. Sie betten normales Verhalten, typische Transaktionsmuster, übliche Systemmetriken und Standardnutzeraktionen ein. Speichern Sie diese Vektoren und markieren Sie dann alles, was weit außerhalb des Clusters liegt. Eine Transaktion, die ganz anders als gewöhnlich aussieht, ist Betrug. Eine Servermetrik weit außerhalb des üblichen Bereichs, da bahnt sich ein Vorfall an. Vektordatenbanken machen die schnell genug, um es in Echtzeit auszuführen. In der Welt von Microsoft taucht dies überall auf. PowerApps nutzt die Vektorsuche für KI-Vorschläge bei der Erstellung von Formularen. Dynamics 365 verwendet sie für eine intelligente Suche in Kundendatensätzen. Teams Besprechungsprotokolle werden in Vektoren umgewandelt, damit sie suchen können, was haben wir zum Budget beschlossen und den genauen Moment in einer Aufnahme finden. Co-Pilot für Microsoft 365 ist im Grunde ein riesiges AAG-System, das auf ihren persönlichen und Unternehmensdaten läuft und durch Vektorsuche betrieben wird. Und durch Vektorsuche betrieben wird. Alles synchron halten. Vektor-ETL. Nun zur praktischen Herausforderung. Daten ändern sich, Dokumente werden aktualisiert, neue Produkte hinzugefügt, alte Richtlinien archiviert. Jedes Mal, wenn sich Ihre Quelldaten ändern, müssen sich auch Ihre Vektoren ändern. Hier kommt Vektor-ETL ins Spiel. Detail für Extract, Transform, Load, Extrahieren, Transformieren, Land. Für Vektor-Datenbanken sieht der Prozess so aus. Zuerst extrahieren Sie neue oder geänderte Dokumente aus Ihrer Quelle. Etwa in einem Blob-Storage-Container, einer SharePoint-Bibliothek oder einer SQL-Datenbank. Dann transformieren Sie diese, indem Sie den Text in handliche Stücke zerlegen und jedes Stück durch Ihr Embedding-Modell laufen lassen. Schließlich laden Sie die resultierenden Vektoren zusammen mit Metadaten, wie der ursprünglichen Quell-URL, einem Zeitstempel und der verwendeten Modellversion in Ihren Vektorspeicher. Die bewährte Methode hierbei, inkrementelle Verarbeitung. Verarbeiten Sie nicht Ihren gesamten Korpus neu, wenn sich etwas ändert. Verarbeiten Sie nur die Dokumente, die sich tatsächlich geändert haben. Verfolgen Sie, welche Modellversion jedes Embedding generiert hat, aktualisieren Sie Ihr Modell und die alten Vektoren werden inkonsistent mit den neuen. Und achten Sie auf Ihre Kosten. Embedding-APIs berechnen Gebühren pro Token, daher summiert sich die Verarbeitung von Dokumenten schnell. In Azure ist ein typischer Arbeitsablauf unkompliziert. Legen Sie Ihre Dokumente in Block Storage ab. Richten Sie dann einen Azure AI Search Indexer mit einem integrierten Skillset ein, das das Chunking und Embedding automatisch übernimmt. Microsoft stellt den Tag Split Skill für das Chunking und den Azure Open AI Embedding Modell Skill für die Vektorgenerierung bereit. Der Indexer läuft nach Zeitplan, erfasst neue Dateien, verarbeitet sie und fügt die Vektoren per Upset in den Index ein. Kein benutzerdefinierter Pipeline-Code erforderlich. Hier ist ein häufiger Fehler das Ignorieren von Metadaten. Jeder Vektor benötigt seine Quellenreferenz, den Namen und die Version des Embedding-Modells sowie einen Zeitstempel der Erstellung. Ohne diese können Sie nicht nachverfolgen, woher ein Ergebnis stammt, können bei Modelländerungen nicht neu einbetten und nicht neu einbetten und werden bei Compliance Audits Schwierigkeiten nach. Behandeln Sie Ihre Vektoren wie jede andere Geschäftsdaten und verfolgen Sie deren Herkunft. Ihre nächsten Schritte. Also bereit, es selbst einmal auszuprobieren? Fangen Sie einfach an. Öffnen Sie das Azure Portal und erstellen Sie eine Azure AI Search Ressource. Aktivieren Sie dann die Vektorsuche für einen bestehenden Index. Laden Sie einige Dokumente hoch, wählen Sie ein Embedding-Modell und führen Sie eine Ähnlichkeitsanfrage durch. Sie werden sehen, dass es in unter einer Stunde ist. Entwickler können das Python SDK nutzen. Einige Dokumente mittels Azure OpenAI einbetten, diese in der Vektorsuche von Cosmos DB speichern und eine Abfrage für die beste Übereinstimmung schreiben. Microsoft bietet klare Codebeispiele und Dokumentationen, die Sie durch den Prozess finden. Sie müssen kein Data Scientist werden, um Vektordatenbanken zu verwenden. Die Tools von Microsoft übernehmen die Erstellung der Embeddings, die Indizierung und die Abfragelogik. Ihre einzige Aufgabe ist es, das Konzept zu verstehen und die Tools auf Ihre eigenen Daten auszurichten. Das ist eine Herausforderung. Denken Sie an das Suchproblem, mit dem Sie heute konfrontiert sind. Vielleicht geht es um das Finden interner Dokumente, die Suche in einem Produktkatalog oder die Beantwortung von Kundenanfragen aus einer Wissensdaten. Könnte die Vektorsuche besser abschneiden als eine Schlagwort sucht? Wählen Sie einen kleinen Datensatz, etwa 100 Dokumente und probieren Sie es aus. Sie werden den Unterschied sofort bemerken. Sie verstehen jetzt also, was Vektordatenbanken eigentlich sind? Sie sind keine mysteriöse KI-Technologie, sondern lediglich eine Methode, um die Bedeutung Ihrer Daten zu speichern und zu durchsuchen und statt nur exakten Wörtern. Sie bilden die Grundlage für die intelligente Such- und KI-Funktionen in Microsoft 365, Azure und Coupello. Jedes Mal, wenn Sie eine Frage stellen und eine relevante Antwort erhalten, hat irgendwo eine Vektordatenbank die beste Übereinstimmung für Ihre Anfrage gefunden. Ihre strukturierten Fakten, Kundennamen, Bestellmengen oder Bestandszahlen liegen weiterhin in traditionellen Datenbanken. Vektordatenbanken fügen die Ebene des Verständnisses hinzu. Sie ermöglichen es, ihre Anwendung nach Bedeutung, Absicht und Kontext zu suchen. Das ist das große Ganze. Abonnieren Sie uns für weitere verständliche Erklärungen zu Microsoft-Technologien. Beim nächsten Mal schauen wir uns an, wie RIG-Pipelines wirklich funktionieren und wie Sie selbst an einem Nachmittag erstellen können. Vielen Dank fürs Zuhören.