Vektorsuche im Dokumentenbestand

Vektorsuche ist ein Suchverfahren, bei dem Texte in Zahlenreihen umgewandelt werden, die ihren Inhalt abbilden. Solche Zahlenreihen heißen Vektoren oder Einbettungen. Zwei Texte mit ähnlicher Bedeutung liegen in diesem Zahlenraum nahe beieinander, auch wenn sie kein einziges Wort gemeinsam haben. Die Suche vergleicht daher nicht Zeichenketten, sondern Abstände, und liefert die inhaltlich nächstliegenden Textstellen zurück.

Für den Dokumentenbestand eines Bau- oder Handwerksbetriebs bedeutet das einen praktischen Unterschied. Angebote, Verträge, Protokolle, Wartungsberichte und Schriftverkehr aus zehn Jahren verwenden unterschiedliche Begriffe für dieselben Sachverhalte. Wer nach “Verzug beim Innenausbau” sucht, findet mit einer Volltextsuche nur genau diese Formulierung, mit einer Vektorsuche auch das Protokoll, in dem von “Terminüberschreitung im Trockenbau” die Rede ist. Grundlage der semantischen Suche in Bauakten ist genau dieses Verfahren.

Technisch werden die Dokumente dafür in Abschnitte zerlegt, umgewandelt und in einer Vektordatenbank abgelegt. Neue Unterlagen kommen laufend hinzu. Die Zerlegung entscheidet mit über die Qualität: Zu große Abschnitte verwässern die Bedeutung, zu kleine verlieren den Zusammenhang, etwa wenn eine Position vom zugehörigen Vorbemerkungstext getrennt wird.

Zu beachten ist der Umgang mit Zahlen und Kennungen. Für inhaltliche Fragen ist die Vektorsuche stark, für exakte Suchen nach einer Rechnungsnummer, einer Positionsnummer oder einem Aktenzeichen dagegen schwach, weil solche Zeichenfolgen kaum Bedeutung tragen. Bewährt hat sich deshalb die Kombination beider Verfahren: die klassische Volltextsuche für eindeutige Kennungen, die Vektorsuche für Sachverhalte. Wer nur eines von beiden anbietet, erzeugt bei den Anwendern schnell den Eindruck, das System finde nichts Verlässliches.

Wo KI ansetzt

Die Vektorsuche ist selten Selbstzweck. Meist bildet sie den ersten Schritt einer retrieval-gestützten Antwort: Erst werden die passenden Abschnitte gesucht, dann formuliert ein Sprachmodell daraus eine Antwort mit Quellenangabe. So entsteht aus dem Aktenbestand eine firmeneigene Wissensbasis, die auf Fragen der Bauleitung oder der Kalkulation antwortet, ohne dass das Modell mit Betriebsdaten trainiert werden müsste.

Zu beachten sind Zugriffsrechte. Wenn alle Dokumente in einem gemeinsamen Suchindex liegen, kann eine Anfrage Inhalte zutage fördern, die für die anfragende Person nicht bestimmt sind, etwa Personalunterlagen oder Kalkulationsgrundlagen. Rechte müssen im Index abgebildet werden, nicht erst in der Oberfläche.

Für den Betrieb ist wichtig zu wissen, wo die Vektordaten liegen. Werden Bauakten, Verträge und Kalkulationen bei einem externen Anbieter verarbeitet, gelten dafür dieselben Fragen wie für jedes andere Werkzeug: Wer hat Zugriff, wo stehen die Server, werden die Inhalte für Training verwendet. Da bei der Aufbereitung der gesamte Dokumentenbestand einmal durch den Dienst läuft, ist die Datenmenge größer als bei einer einzelnen Anfrage und die Klärung entsprechend wichtiger.

Praktischer Hinweis: Vor dem Aufbau lohnt eine Aufräumrunde. Ein Index über einen Bestand mit zwölf Fassungen desselben Angebots liefert zuverlässig die falsche davon.