Embedding

Ein Embedding ist eine numerische Repräsentation von Text, Bildern oder anderen Daten als Vektor in einem hochdimensionalen Raum. Dabei werden semantisch ähnliche Konzepte nahe beieinander platziert — „Hund" und „Katze" liegen näher zusammen als „Hund" und „Aktienmarkt". Diese Vektoren sind das Fundament moderner KI-Anwendungen.

In der Praxis werden Embeddings von spezialisierten Modellen erzeugt (z. B. OpenAI text-embedding-3, Cohere Embed, Google Gecko). Ein typischer Embedding-Vektor hat 768–3072 Dimensionen. Gespeichert werden sie in Vektor-Datenbanken wie Pinecone, Weaviate oder Chroma, die effiziente Ähnlichkeitssuchen ermöglichen.

Embeddings sind die technische Grundlage für RAG-Systeme: Dokumente werden als Embeddings gespeichert, bei einer Nutzeranfrage wird deren Embedding berechnet und die ähnlichsten Dokument-Chunks gefunden. Auch semantische Suche, Empfehlungssysteme, Duplikat-Erkennung und Clustering basieren auf Embeddings.

Für Marketing besonders relevant: Embeddings ermöglichen semantische Content-Analyse (thematisch ähnliche Artikel finden), Zielgruppen-Clustering anhand von Verhaltensmustern, und intelligente Produktempfehlungen. Die Kosten sind minimal — OpenAI's Embedding-Modell kostet nur $0,02 pro Million Tokens.