Mit dem Aufkommen der künstlichen Intelligenz (KI) erschließen sich neue Wege effizienter und präziser nach Informationen suchen zu können, die Nutzer finden exakt was sie gesucht haben ohne den exakten Suchbegriff einzugeben.

Wir suchen künstlich intelligent.

Klassische Suchen basieren auf sogenannten invertierten Volltext Indizes. Wird eine Suchanfrage gestellt werden die mit dem gesuchten Begriff verbundenen Dokumente nach Relevanz bewertet und als Liste bereitgestellt.

Probleme und Lösungen:

Kommt das gesuchte Wort nicht im Dokument vor sondern ein Synonym wird es mit der klassichen Architektur nicht gefunden. Hier kann KI helfen, um über ein large Language Modell Synonyme generieren. Diese können in den Index mit aufgenommen werden oder mit in die Suchanfrage einfließen.

Reichen Synoyme nicht aus kann die Suche mit Hilfe von KI generierten Embeddings optimiert werden. Embeddings sind Repräsentationen von Wörtern oder Sätzen als Zahlen. Kommen zwei Wörter im gleichen Kontext häufig vor, lassen sich die relevantesten Ergebnisse über die Relation ihrer Wörter zur Anfrage ermitteln.

Wir verwenden eine Kombination aus klassischer wortbasierter und semantischer Suche. KI kann bestimmte Anwendungsfälle (z.B. Abkürzungen) schlechter abdecken als wortbasierte.

Achtung: Der Begriff “Apple” kann im Englischen sowohl eine Suche nach einer Frucht als auch nach Produkten des US-Herstellers sein. Vermutlich ist letzteres wahrscheinlicher, kann aber zu Irritationen für User führen, die nach der Frucht suchen.