Fünf Gründe, warum IT-Marktführer Vektorsuche für bessere Sucherlebnisse einsetzen sollten

Häufiger Umgang mit hochwertigen Suchmaschinen wie etwa Google oder Amazon haben die Kundenerwartungen im Hinblick auf schnelle und relevante Sucherlebnisse gesteigert. Vektorsuche (oder auch semantische Vektorsuche) nutzt Deep Learning und Machine Learning, um die Bedeutung und den Kontext von Daten zu erfassen. Auf diese Weise können Sie das Sucherlebnis Ihres Unternehmens verbessern und zahlreiche Vorteile nutzen, inklusive: 

• Extrem relevante Ergebnisse für Ihre Nutzer mit wenig Aufwand 
• Schnelle Rückgabe von Suchergebnissen, selbst für große und vielfältige Datensätze
• Neue Suchklassen für Text, Bilder und Audio
• Exaktere Produktempfehlungen, Antworten auf häufig gestellte Fragen und sogar Personalisierung direkt für Ihre Kunden

Führungskräfte im Technologiebereich sollten sich mit der Vektorsuche vertraut machen, um die Erwartungen ihrer Kunden nicht zu erfüllen, sondern zu übertreffen. Die Vektorsuche unterstützt Sie dabei, Ihr Sucherlebnis zu transformieren und Ihre Geschäftsziele zu erfüllen.

Was genau bedeutet Vektorsuche?

Vektorsuche transformiert Text, Audio und Bilder in numerische Darstellungen und nutzt Deep Learning sowie Machine Learning (ML), um Bedeutungen, Absichten und Kontext dieser Darstellungen auszuwerten und viel relevantere Suchergebnisse zu liefern.

Neue Suchklassen mit semantischer Vektorsuche

Wir erwarten jederzeit extrem relevante Suchergebnisse, egal wie wir unsere Abfrage formulieren. Aber selbst im Fall einer abstrakten Schlüsselwortsuche ist es wichtig, natürliche Sprache gut zu verstehen und rasant schnell Ergebnisse zu liefern. In Kombination mit dem Wunsch nach vielfältigeren Sucherlebnissen – von einer Bildersuche für visuelles Shopping über eine Audiosuche im Stil von Amazon Alexa bis hin zu visuellen In-App-Empfehlungen wie etwa Pinterest – wird immer klarer, dass sich die Erlebnisse daran anpassen müssen, wie wir nach Dingen suchen.

Die Technologie hinter der semantischen Vektorsuche versteht menschliche Sprache hervorragend und kann unterschiedliche Datenformate interpretieren, wie etwa Bilder, Audio und unstrukturierte Texte. Sie dient als Brücke zwischen unstrukturierten Daten und der Interpretation der Nutzerabsicht (mehr als nur Schlüsselwörter) und liefert ein leistungsstarkes Erlebnis, das die Erwartungen nicht nur erfüllt, sondern im Idealfall auch übertrifft.

Vektorsuche trägt zur Umsatzsteigerung bei 

Die Vektorsuche wird bereits weithin eingesetzt und verbessert Relevanz, Verkaufsergebnisse und Umsätze.

Vektorsuche im Einsatz bei Spotify

Spotify hat für die Suche nach Podcasts nicht immer auf die Vektorsuche vertraut. Bis vor Kurzem hat Spotify hauptsächlich Schlüsselwörter abgeglichen. Diese Suchmethode lieferte als Ergebnis alle Objekte zurück, deren Metadaten die Schlüsselwörter aus der Abfrage enthielten. Aber die Nutzer geben nicht immer exakt das ein, wonach sie wirklich suchen. Oft fehlen ihnen die richtigen Begriffe, oder sie drücken sich auf sehr unterschiedliche Arten aus.

Mit der Vektorsuche ist Spotify in der Lage, mit deutlich weniger Aufwand relevante Inhalte zu liefern, indem semantisch korrelierte Ergebnisse abgeglichen werden anstatt nach exakt übereinstimmenden Wörtern zu suchen. Eine Suche nach „Klimaauswirkungen elektrische Autos“ liefert jetzt beispielsweise Ergebnisse für „Elektroautos und Umwelt“ oder „Umweltauswirkungen von Elektroautos“. Die semantische Vektorsuche identifiziert die Ähnlichkeiten zwischen den Begriffen „Klima“ und „Umwelt“ sowie zwischen „Elektrisches Auto“ und „Elektroauto“, ohne dass Suchmaschinenexperten oder Nutzer eingreifen müssen.  

Home Depot liefert relevante Suchergebnisse mit semantischer Vektorsuche

Home Depot pflegt eine Bestandsliste mit mehr als zwei Millionen Produkten, darunter auch hochspezialisiertes Werkzeug. Für die Kunden war es oft schwer, das richtige Werkzeug zu finden, was zu Fehlversuchen und Frust und sowie einer unnötig hohen Umtauschrate für Home Depot führte. Seit der Einführung der semantischen Vektorsuche erhalten die Kunden relevantere Suchergebnisse durch die Kombination aus Vektor- und Textsuche.

Wenn ein Kunde beispielsweise nach „Dachdeckermaterial“ sucht, werden auch Schindeln zurückgegeben. Seitdem muss sich das Suchteam von Home Depot nicht mehr damit beschäftigen, den Suchindex mit kreativen Produktbeschreibungen, regionalen Varianten und falsch geschriebenen Schlüsselwörtern zu füttern. 

Lesen Sie mehr über natürliche Sprachverarbeitung (Natural Language Processing, NLP), die Technologie hinter der Vektorsuche >> 

Die Vektorsuche eignet sich für Unternehmen aller Größen

Die Vektorsuche kann für vielfältige Anwendungsfälle eingesetzt werden. Egal wie groß Ihr Unternehmen ist oder wie viele Daten Sie haben, mit der Vektorsuche und dem richtigen Tool können Sie jedes Sucherlebnis verbessern. Mit der Vektorsuche können Sie Folgendes erreichen:

Relevanzsteigerung für mehr Interaktionen

Wenn Sie Ihren Nutzern hilfreiche Ergebnisse liefern, steigern Sie damit deren Interaktionen mit Ihren Websites und Apps. Schlüsselwortbasierte Sucherlebnisse sind problematisch, wenn Wörter unterschiedlich interpretiert werden können oder mehrdeutig sind. Die semantische Vektorsuche ermöglicht noch genauere Ergebnisse, selbst für extrem große Datensätze. Dank der semantischen Suchtechnologie werden relevante Ergebnisse zurückgegeben, selbst wenn die Nutzer nicht das exakte Schlüsselwort verwenden. 

Mehr Leistung auch für große Datenvolumen

Die Vektorsuche kann mit einer herkömmlichen Suchbewertung kombiniert werden, um das Sucherlebnis zu optimieren. Auf diese Weise können relevante Ergebnisse sogar für große Datensätze noch schneller zurückgegeben werden. Algorithmen wie „nächster Nachbar“ und „geschätzter nächster Nachbar“ sind sehr effizient darin, große Mengen an Dokumenten für Suchabfragen zu verarbeiten und zu ordnen. 

Zusätzliche Suchklassen

Unterstützen Sie neue Suchtypen wie etwa Bild- oder Audiosuche mit einer Vektorsuchmaschine – auch bekannt als Vektordatenbank, semantische Suche oder Kosinus-Suche. Damit können die Nutzer eines E-Commerce-Unternehmens beispielsweise ein Bild eines Produkts hochladen, etwa von einem Kleidungsstück, und nach ähnlichen Artikeln suchen. Auf diese Weise entstehen Interaktionen und die Kunden finden leichter zu den gesuchten Waren.

Die semantische Vektorsuche interpretiert Kontext, Absicht und Bedeutung, damit Ihre Kunden nicht raten müssen

Die semantische Vektorsuche ermittelt Absicht, Bedeutung und Kontext von Abfragen, um die Relevanz zu verbessern. Dazu werden die Suchabfragen in eine aussagekräftige numerische Darstellung (auch als Vektor bezeichnet) umgewandelt und anschließend mit einem Datensatz abgeglichen, um Ähnlichkeiten zu messen und relevante Ergebnisse zu finden. Um fundierte Entscheidungen treffen zu können, müssen Führungskräfte im Technologiebereich die Vektorsuche und deren drei Komponenten zumindest grob verstehen.

1. Text in Zahlen mit Vektoreinbettungen umwandeln: Alle Algorithmen arbeiten zahlenbasiert. Vektoren konvertieren Text und Schlüsselwörter in numerische Daten, um den linguistischen Inhalt des Texts zu erfassen. Für die Entwicklung von zwei verbreiteten Modellen – Word2Vec und BERT – wurden beispielsweise große Mengen an Sprachdaten analysiert, um die Häufigkeit von gemeinsamen Vorkommnissen und Beziehungen zwischen Wörtern zu ermitteln. So könnte beispielsweise der Vektor für „Kanada“ in der einen Richtung nahe bei „Frankreich“ und in der anderen Richtung nahe bei „Toronto“ liegen. Mit diesen Modellen können wir Schlüsselwörter, Sätze oder Absätze in Vektoreinbettungen umwandeln, die wir miteinander vergleichen können.

2. Schnellere Suche mit besseren Suchalgorithmen: Für die Vektorsuche benötigen wir außerdem einen leistungsstarken Algorithmus, um Werte abzugleichen und möglichst schnell relevante Ergebnisse zu liefern, auch wenn wir Milliarden von Dokumenten durchsuchen. Ein solcher Algorithmus ist der sogenannte „geschätzte nächste Nachbar“ (Approximate Nearest Neighbor, ANN), eine Art der Umkreissuche, die die nächsten (ähnlichsten) Ergebnisse für eine Abfrage zurückliefert. ANN ist effizient und skalierbar für große Datenmengen, ohne die Leistung zu beeinträchtigen. Zur Verbesserung der Abfragegeschwindigkeit wird ein Graph erzeugt, um die Datenpunkte schnell durchlaufen zu können und möglichst schnell einen Vektor zu ähnlichen Ergebnissen generieren zu können.  

3. Ähnliche Ergebnisse mit Distanzmetriken finden: Mit Vektoren können wir jedem Schlüsselwort eigene Koordinaten zuweisen, mit denen wir die Ähnlichkeit zwischen einer Abfrage und einem Dokument ermitteln können, indem wir die Distanz zu den einzelnen Suchbegriffen messen. Je kürzer die Distanz zwischen Vektoren ist, desto ähnlicher sind die Inhalte. Mit Messungen wie etwa der Cosinus-Ähnlichkeit können wir die Ähnlichkeit zwischen zwei Zahlenfolgen und Vektoren ermitteln, um möglichst ähnliche Ergebnisse zu liefern.

So können Sie die Vorteile von Vektorsuchmaschinen schnell nutzen

Manche Lösungen versprechen zwar ein besseres Sucherlebnis, aber Elastic ist als Marktführer für suchbasierte Technologie bekannt. Unsere Kunden können im Handumdrehen die Vorteile der Elastic-Plattform nutzen und ihr Sucherlebnis mit neuen und innovativen Features wie der Vektorsuche fortlaufend verbessern. 

Warum sollte ich Elastic für die Vektorsuche einsetzen?

Elastic bietet einen mühelosen Bereitstellungspfad für die Implementierung von Vektor- und Hybridsuche, damit Sie sofort damit beginnen können, Ihr Sucherlebnis zu optimieren. Unsere Vektorsuche kombiniert mehrere Herangehensweisen zur Optimierung der Suchrelevanz, und Sie erhalten alle Vorteile von Elastic – Leistung, Einfachheit und Anpassbarkeit – mit dem Potenzial der Vektorsuche. 

Mit der Vektorsuche können Sie die größten Lücken in Ihrem Sucherlebnis schließen.

Elastic bietet eine herausragende Abfrageleistung für große Mengen an Dokumenten. Zur Verbesserung der Abfragegeschwindigkeit verwendet Elastic einen Graphen, um die Datenpunkte schnell durchlaufen zu können und möglichst schnell einen Vektor zu ähnlichen Ergebnissen zu generieren. Dieser Ansatz für die Vektor-Ähnlichkeitssuche verwendet einen ANN-Algorithmus, der auch als Hierarchical Navigable Small World (HNSW) bezeichnet wird. Zur Steigerung der Abfrageleistung unterstützen wir HNSW auf mehreren Ebenen, damit Sie den Graphen schneller durchlaufen können. Die zusätzlichen Ebenen optimieren die Route der Abfrage, da höhere Ebenen weniger Datenpunkte enthalten und damit weniger Sprünge zwischen Datenpunkten über große Entfernungen nötig sind, um den nächsten Nachbarn zu finden. 

Elastic liefert eine einfache und integrierte End-to-End-Lösung. Wie bereits angesprochen benötigt die semantische Vektorsuche Vektoreinbettungen als Eingabe, um Ähnlichkeiten zu ermitteln. Die meisten Lösungen verlassen sich im Gegensatz zu Elastic auf externe Prozesse zum Generieren der Vektoreinbettungen, etwa tiefe neuronale Netze für Texte. Die Vektorsuche von Elastic bietet den Vorteil, dass Sie die Unterstützung für Vektoreinbettungen mühelos einrichten können.

Dazu verwenden wir den Dichtevektor-Feldtyp, der Dichtevektoren als Gleitkommazahlen speichert und verwendet werden kann, um ähnliche Ergebnisse mit der kNN-Such-API von Elastic schnell zu finden. Auf diese Weise können Sie die Implementierung vereinfachen und Vektoren viel leichter generieren. Ihre Teams können die Vorteile sofort nutzen. Außerdem können Sie Elastic für die Distribution, Berechnung und Skalierung von Vektoren nutzen, um die Leistung zu verbessern und Ihre Kosten zu senken. 

Elastic kommt Ihnen entgegen und ist extrem anpassbar. Elastic unterstützt PyTorch, um Ihnen maximale Kontrolle über die Bereitstellung Ihres eigenen Modells zu geben. Passen Sie die Lösung für Ihre Anforderungen oder Ihre Branche an, um sich einen Wettbewerbsvorteil zu verschaffen. Elastic erleichtert Ihnen außerdem den Einstieg mit vorkonfigurierten Modelle von HuggingFace, einer ständig wachsenden Community mit führenden Sprachmodellen. 

Eine gute Suche ist gut für Ihr Unternehmen

Angesichts der wachsenden Ansprüche von Kunden ist ein hervorragendes Sucherlebnis unverzichtbar. Glücklicherweise ist die semantische Vektorsuche eine bahnbrechende Technologie, die herausragende Sucherlebnisse ermöglicht. Elastic ist an Ihrer Seite, egal ob Sie neue Suchtypen, schnellere Ergebnisse, mehr Relevanz oder eine personalisierte Suche brauchen. Lesen Sie im Anschluss unseren technischen Blog, um zu erfahren, wie Sie mit der Vektorsuche wirklich einen Unterschied machen können.