---
id: CP-262
slug: embeddings-vektordatenbanken
lang: de
title: Embeddings und Vektordatenbanken
description: Wie aus einem Text Koordinaten werden, wie eine Vektordatenbank sie ablegt und was Sie wissen sollten, bevor Sie ein Dokument einspeisen.
canonical_url: https://startbrain.io/cyberpedia/de/articles/embeddings-vektordatenbanken/
markdown_url: https://startbrain.io/cyberpedia/de/articles/embeddings-vektordatenbanken.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, „Embeddings und Vektordatenbanken“, Cyberpedia, 2026. https://startbrain.io/cyberpedia/de/articles/embeddings-vektordatenbanken/ (CC BY 4.0)
wing: 4
theme: understand_ai
reflex: air-003
schema: G3
updated: "2026-11-10"
translations:
  de: https://startbrain.io/cyberpedia/de/articles/embeddings-vektordatenbanken/
  fr: https://startbrain.io/cyberpedia/fr/articles/embeddings-bases-vectorielles/
  en: https://startbrain.io/cyberpedia/en/articles/embeddings-vector-databases/
  es: https://startbrain.io/cyberpedia/es/articles/embeddings-bases-de-datos-vectoriales/
  it: https://startbrain.io/cyberpedia/it/articles/embeddings-database-vettoriali/
  nl: https://startbrain.io/cyberpedia/nl/articles/embeddings-vectordatabases/
  pl: https://startbrain.io/cyberpedia/pl/articles/embeddingi-i-wektorowe-bazy-danych/
  pt: https://startbrain.io/cyberpedia/pt/articles/embeddings-bases-de-dados-vetoriais/
  ja: https://startbrain.io/cyberpedia/ja/articles/embedding-vector-database/
sources:
  - "n": 1
    title: Efficient Estimation of Word Representations in Vector Space
    publisher: arXiv
    url: https://arxiv.org/abs/1301.3781
    published: "2013-01-16"
    accessed: "2026-11-10"
  - "n": 2
    title: Vector Search Overview - Azure AI Search
    publisher: Microsoft
    url: https://learn.microsoft.com/en-us/azure/search/vector-search-overview
    accessed: "2026-11-10"
  - "n": 3
    title: Distributed Representations of Words and Phrases and their Compositionality
    publisher: arXiv
    url: https://arxiv.org/abs/1310.4546
    published: "2013-10-16"
    accessed: "2026-11-10"
  - "n": 4
    title: "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding"
    publisher: arXiv
    url: https://arxiv.org/abs/1810.04805
    published: "2018-10-11"
    accessed: "2026-11-10"
  - "n": 5
    title: "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks"
    publisher: arXiv
    url: https://arxiv.org/abs/1908.10084
    published: "2019-08-27"
    accessed: "2026-11-10"
  - "n": 6
    title: Extracting Training Data from Large Language Models
    publisher: arXiv
    url: https://arxiv.org/abs/2012.07805
    published: "2020-12-14"
    accessed: "2026-11-10"
  - "n": 7
    title: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
    publisher: arXiv
    url: https://arxiv.org/abs/2005.11401
    published: "2020-05-22"
    accessed: "2026-11-10"
  - "n": 8
    title: OWASP Top 10 for Large Language Model Applications | OWASP Foundation
    publisher: OWASP
    url: https://owasp.org/projects/top-10-for-large-language-model-applications
    accessed: "2026-11-10"
  - "n": 9
    title: Attention Is All You Need
    publisher: arXiv
    url: https://arxiv.org/abs/1706.03762
    published: "2017-06-12"
    accessed: "2026-11-10"
  - "n": 10
    title: AI Risk Management Framework
    publisher: NIST
    url: https://www.nist.gov/itl/ai-risk-management-framework
    accessed: "2026-11-10"
---

# Embeddings und Vektordatenbanken

Ein Embedding ist eine Zahlenfolge, also Koordinaten, die einen Inhalt darstellt. Zwei Inhalte mit ähnlicher Bedeutung erhalten nahe beieinanderliegende Koordinaten. Bei Wörtern stützt sich die Idee auf die Arbeiten von Tomas Mikolov und seinen Koautoren, eingereicht am 16. Januar 2013, die zwei Architekturen vorschlagen, um kontinuierliche Vektordarstellungen von Wörtern aus sehr großen Datensätzen zu berechnen [1].

Eine Vektordatenbank legt diese Koordinaten ab, um die Inhalte zu finden, die einer Abfrage am nächsten liegen. Microsoft beschreibt die Vektorsuche als einen Abgleich anhand der Vektoren, die dem Vektor der Abfrage am nächsten liegen. Dieser Abgleich ermöglicht es, „dog“ (Hund) und „canine“ (hundeartig) einander anzunähern, zwei Wörter, die begrifflich nah beieinander liegen, in ihrer Form aber verschieden sind [2].

Für Beschäftigte ist der häufige Fall der Assistent, der an die Dokumente des Unternehmens angebunden ist. Dieser Artikel erklärt das Prinzip und dann, was man wissen sollte, bevor man ein Dokument einspeist.

## In 30 Sekunden

- Wo es vorkommt: in einem Assistenten, der anhand indexierter Dokumente antwortet. Microsoft nennt diese Anwendung, die abrufgestützte Generierung (RAG), unter den Einsatzzwecken einer Vektordatenbank [2].
- Was passiert: Je nach Konfiguration wird das Dokument zerlegt, in Vektoren umgewandelt und dann in einem Index abgelegt, den man nach Bedeutung abfragt [2].
- Der Reflex: Vor dem Einspeisen eines Dokuments fragen, wer es über den Assistenten abrufen kann, und die indexierte Fassung wie das Dokument selbst behandeln.
- Wenn es schon passiert ist: die für den Assistenten verantwortliche Person oder die Sicherheitsabteilung informieren, damit das Dokument aus dem Index entfernt wird.

## Direkte Fragen

### Was ist ein Embedding?

Das ist eine numerische Darstellung eines Inhalts. Das Skip-gram-Modell, das Mikolov und seine Koautoren vorstellen, lernt Wortvektoren, die eine große Zahl genauer syntaktischer und semantischer Beziehungen erfassen [3]. Die Autoren nennen eine Grenze: Diese Darstellungen ignorieren die Reihenfolge der Wörter und geben idiomatische Ausdrücke nicht wieder. Die Bedeutungen von „Canada“ und „Air“ lassen sich nicht leicht zu „Air Canada“ verbinden [3].

BERT, vorgestellt im Oktober 2018, lernt Textdarstellungen, indem es sowohl den linken als auch den rechten Kontext eines Wortes berücksichtigt [4]. Sentence-BERT, veröffentlicht im August 2019, leitet daraus Satz-Embeddings ab, die man per Kosinus-Ähnlichkeit vergleicht [5].

### Was ist eine Vektordatenbank?

Das ist ein System, das Vektoren speichert und die einem Abfragevektor nächsten findet. In Azure AI Search ordnet ein Algorithmus der nächsten Nachbarn ähnliche Vektoren im Index nahe beieinander an, und eine Abfrage liefert die k nächsten Nachbarn [2]. Der Dienst kann als reiner Vektorindex, als Langzeitgedächtnis, als Wissensbasis oder als Verankerungsdaten für eine RAG-Architektur dienen [2].

### Kann man aus einem Embedding den ursprünglichen Text zurückgewinnen?

Aus Vorsicht behandelt man die indexierte Fassung eines Dokuments wie das Dokument selbst.

Ein verwandtes Risiko ist bei Sprachmodellen bekannt. Im Dezember 2020 zeigen Nicholas Carlini und seine Koautoren, dass ein Gegner Trainingsbeispiele zurückgewinnen kann, indem er ein Sprachmodell abfragt [6]. Die Autoren stellen fest, dass größere Modelle anfälliger sind als kleinere [6].

### Folgen die Zugriffsrechte den Dokumenten?

Microsoft stellt Foundry IQ als Wissensschicht vor, die Unternehmensinhalte für Agenten in „permission-aware knowledge bases“ (berechtigungsbewusste Wissensbasen) verwandelt [2]. Dieselbe Seite beschreibt gefilterte Abfragen: Ein Filter wird auf Text- oder Zahlenfelder angewendet, dient für Metadatenfilter und erlaubt es, Ergebnisse ein- oder auszuschließen [2]. Offen bleibt, ob die Rechte eines Ausgangsdokuments seinen indexierten Passagen folgen: Die Frage richtet sich vor jedem Einspeisen an die für den Assistenten verantwortliche Person.

### Kann ein präparierter Inhalt, einmal indexiert, die Antworten beeinflussen?

In einer RAG-Architektur kombiniert das Modell sein eigenes Gedächtnis mit einem externen Gedächtnis [7]. Die Autoren des ursprünglichen RAG verwenden einen dichten Vektorindex von Wikipedia, der von einer neuronalen Suchmaschine abgefragt wird [7]. Eine ihrer Formulierungen macht die gesamte Antwort von denselben abgerufenen Passagen abhängig [7]. Was indexiert ist, gehört also zu dem, was das Modell liest, um zu antworten.

Zu den Risiken von Anwendungen auf Basis von Sprachmodellen pflegt das OWASP-Projekt eine Liste der „most critical security vulnerabilities in LLM applications“ (kritischsten Sicherheitslücken in LLM-Anwendungen), zu der eine Version von 2025 genannt wird [8].

## Wie es funktioniert

Die Kette hat drei Schritte: Vektoren erzeugen, sie ablegen und sie abfragen.

### Vektoren erzeugen

Ein Embedding-Modell wandelt Text in einen Vektor um. Der Name BERT stammt von einer Architektur, dem Transformer: Bidirectional Encoder Representations from Transformers [4]. Diese im Juni 2017 vorgeschlagene Architektur beruht ausschließlich auf Aufmerksamkeitsmechanismen [9].

Der Vorteil von Sentence-BERT liegt in der Geschwindigkeit. Mit BERT allein erfordert das Finden des ähnlichsten Paars unter 10.000 Sätzen etwa 50 Millionen Inferenzberechnungen, also etwa 65 Stunden. Mit Sentence-BERT sinkt der Aufwand auf etwa 5 Sekunden, bei erhaltener Genauigkeit [5].

### Vektoren ablegen

Azure AI Search beschreibt zwei Wege. Bei der internen Verarbeitung zerlegt der Dienst die Dokumente in Abschnitte und vektorisiert sie in einer Indexer-Pipeline. Der Kunde stellt die Ressourcen bereit, etwa die Endpunkte und die Verbindungsinformationen von Azure OpenAI [2]. Bei der externen Verarbeitung werden die Embeddings außerhalb des Dienstes erzeugt und dann in die Vektorfelder des Index geschoben [2].

### Abfragen

Ein Kodierungsschritt kann die Benutzeranfrage in einen Vektor umwandeln, bevor sie an den Index gesendet wird [2]. Die hybride Suche führt Vektorsuche und Stichwortsuche parallel aus und fügt die Ergebnisse zu einer einzigen Antwort zusammen. Microsoft schreibt, sie liefere oft bessere Ergebnisse als eine der beiden allein [2].

## Was Sie tun

Bevor Sie ein Dokument in einen Assistenten oder in einen Index einspeisen:

- Fragen Sie, wer den Assistenten abfragen kann und ob die Rechte des Ausgangsdokuments auf die Antworten angewendet werden.
- Prüfen Sie, wohin die Texte gehen. In einer integrierten Konfiguration ruft der Dienst ein Embedding-Modell auf, zum Beispiel das von Azure OpenAI [2].
- Gehen Sie davon aus, dass die indexierte Kopie dieselbe Sensibilität hat wie das Original, solange niemand das Gegenteil festgestellt hat.
- Speisen Sie kein Dokument ein, dessen Herkunft Sie nicht kennen. In einer RAG-Architektur hängt die Antwort von abgerufenen Passagen ab [7].
- Wenn das Dokument versehentlich schon eingespeist ist, melden Sie es sofort der Person, die den Assistenten administriert.

## Die Fallstricke

- Die Suche nach Bedeutung bringt Inhalte mit ähnlicher Bedeutung zusammen, nicht nur solche, die dieselben Wörter enthalten. Microsoft nennt die Entsprechung zwischen „dog“ und „canine“, zwischen zwei Sprachen oder zwischen einem Text und einem Bild [2].
- Ein Embedding kann multimodal sein: Text und Bilder können denselben Suchraum teilen [2].
- Eine Vektordatenbank ist eine Suchmaschine. Azure AI Search bietet Metadatenfilter und dient als Grundlage von Foundry IQ [2]; prüfen Sie, wer sie abfragen kann.
- Die Referenzrahmen entwickeln sich weiter. Das NIST beschreibt sein AI RMF als für die freiwillige Nutzung bestimmt, veröffentlicht am 26. Januar 2023 und in Überarbeitung. Ein der generativen KI gewidmetes Profil, NIST-AI-600-1, wurde am 26. Juli 2024 veröffentlicht [10].

## Reale Fälle

### Extraktion von Trainingsdaten aus GPT-2, Dezember 2020

Carlini und seine Koautoren greifen GPT-2 an, ein Modell, das auf öffentlichen Seiten des Internets trainiert wurde. Sie extrahieren daraus Hunderte wortwörtlicher Textsequenzen: öffentliche personenbezogene Daten (Namen, Telefonnummern, E-Mail-Adressen), IRC-Konversationen, Code und 128-Bit-UUIDs [6]. Der Angriff funktioniert auch dann, wenn jede Sequenz nur in einem einzigen Trainingsdokument vorkommt [6]. Dieser Fall betrifft ein Sprachmodell, keine Vektordatenbank.

## Quellen

1. arXiv, „Efficient Estimation of Word Representations in Vector Space“, 16. Januar 2013. https://arxiv.org/abs/1301.3781 (abgerufen am 10. November 2026)
2. Microsoft, „Vector Search Overview - Azure AI Search“. https://learn.microsoft.com/en-us/azure/search/vector-search-overview (abgerufen am 10. November 2026)
3. arXiv, „Distributed Representations of Words and Phrases and their Compositionality“, 16. Oktober 2013. https://arxiv.org/abs/1310.4546 (abgerufen am 10. November 2026)
4. arXiv, „BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding“, 11. Oktober 2018. https://arxiv.org/abs/1810.04805 (abgerufen am 10. November 2026)
5. arXiv, „Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks“, 27. August 2019. https://arxiv.org/abs/1908.10084 (abgerufen am 10. November 2026)
6. arXiv, „Extracting Training Data from Large Language Models“, 14. Dezember 2020. https://arxiv.org/abs/2012.07805 (abgerufen am 10. November 2026)
7. arXiv, „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks“, 22. Mai 2020. https://arxiv.org/abs/2005.11401 (abgerufen am 10. November 2026)
8. OWASP, „OWASP Top 10 for Large Language Model Applications | OWASP Foundation“. https://owasp.org/projects/top-10-for-large-language-model-applications (abgerufen am 10. November 2026)
9. arXiv, „Attention Is All You Need“, 12. Juni 2017. https://arxiv.org/abs/1706.03762 (abgerufen am 10. November 2026)
10. NIST, „AI Risk Management Framework“. https://www.nist.gov/itl/ai-risk-management-framework (abgerufen am 10. November 2026)

---

Originalquelle: Cyberpedia, die öffentliche Enzyklopädie zu Cybersicherheit und KI von Brain. Kanonische Version: https://startbrain.io/cyberpedia/de/articles/embeddings-vektordatenbanken/
Sie dürfen diesen Text unter der Lizenz CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) frei weiterverwenden, sofern Sie „Brain, Cyberpedia“ mit einem Link auf die obige Adresse nennen.
