Wie KI sich erinnert - Vektoren und Graphen einfach erklärt

Wie KI sich erinnert - Vektoren und Graphen einfach erklärt

Wenn du mit ChatGPT sprichst und es sich an euren letzten Austausch erinnert, passiert im Hintergrund etwas Faszinierendes. Die KI wandelt deine Worte in Zahlen um. Sie speichert nicht "Martina hatte ein Problem mit der Buchhaltung", sondern eine lange Reihe von Zahlen, die diese Bedeutung repräsentieren. Klingt erstmal abstrakt. Ist aber genial einfach.

Was sind Vektoren eigentlich

Stell dir vor, jedes Wort hat eine Adresse in einem riesigen Raum. "Hund" liegt nah bei "Katze" und "Tier", aber weit weg von "Buchhaltung" oder "Serverraum". Ein Vektor ist genau diese Adresse, ausgedrückt in Zahlen. Meistens sind das mehrere hundert oder tausend Zahlen pro Wort.

Ein Beispiel macht es klarer. Das Wort "König" könnte als Vektor so aussehen [0.2, 0.8, 0.1, 0.3, ...]. Das Wort "Königin" hätte einen sehr ähnlichen Vektor [0.2, 0.75, 0.12, 0.31, ...]. Die Zahlen sind sich ähnlich, weil die Bedeutungen sich ähneln. Das ist kein Zufall, sondern das Ergebnis von Training.

Wie entstehen diese Vektoren

Hier kommen Embedding-Modelle ins Spiel. Diese Modelle lesen Millionen von Texten und lernen dabei, welche Wörter oft zusammen auftauchen. "Hund" erscheint häufig mit "bellen", "Gassi" und "Fell". "Katze" mit "miauen", "Krallen" und ebenfalls "Fell". Das Modell erkennt diese Muster.

Am Ende des Trainings kann das Modell jedes Wort in einen Vektor verwandeln. Dieser Vektor erfasst die Bedeutung, nicht die Buchstaben. Deshalb können verschiedene Sprachen ähnliche Vektoren haben. "Dog" auf Englisch liegt im Zahlenraum nah bei "Hund" auf Deutsch.

Das Coole daran ist folgendes. Du kannst mit diesen Vektoren rechnen. König minus Mann plus Frau ergibt ungefähr Königin. Funktioniert wirklich, weil die Vektoren Bedeutungsbeziehungen abbilden.

Warum Vektoren allein nicht reichen

Vektoren sind großartig für semantische Suche. Wenn du "Gehaltsabrechnung Problem" suchst, findet das System auch Texte mit "Lohnbuchhaltung Fehler" oder "Vergütung fehlerhaft". Es versteht die Bedeutung, nicht nur die exakten Wörter.

Aber Vektoren haben eine Schwäche. Sie speichern keine klaren Beziehungen zwischen Dingen. Du kannst nicht einfach fragen "Wer ist Martinas Vorgesetzter" oder "Welche Projekte laufen in der IT-Abteilung". Die Vektoren wissen nur, dass diese Begriffe irgendwie zusammengehören. Aber nicht wie genau.

Knowledge Graphen ergänzen das Bild

Ein Knowledge Graph ist wie ein Organigramm für Informationen. Er speichert explizit, dass Martina im Vertrieb arbeitet, dass Thomas ihr Teamleiter ist, dass sie am Projekt X beteiligt war. Das sind klare Verbindungen, keine verschwommenen Ähnlichkeiten.

Graphen bestehen aus Knoten und Kanten. Martina ist ein Knoten. "Arbeitet in" ist eine Kante zum Knoten "Vertrieb". Diese Struktur kannst du direkt abfragen. Wer arbeitet im Vertrieb? Welche Projekte hat Martina betreut? Präzise und eindeutig.

Der Graph merkt sich auch zeitliche Abfolgen. Im März hatte Martina Frage A, im Juli Frage B, beide zum gleichen Thema. Ein reiner Vektor-Ansatz würde diese zeitliche Entwicklung nicht erfassen.

Die Kombination macht den Unterschied

Moderne KI-Systeme nutzen beides zusammen. Vektoren für die semantische Intelligenz, Graphen für die strukturelle Klarheit. Wenn du fragst "Hatte jemand aus dem Vertrieb schon mal dieses Problem", sucht das System erst per Vektor nach ähnlichen Problemen. Schnell und bedeutungsorientiert.

Dann kommt der Graph ins Spiel. Er prüft, welche der gefundenen Probleme wirklich mit der Vertriebsabteilung verknüpft sind. Er schaut, ob es zeitliche Muster gibt. Er verbindet die semantischen Treffer mit strukturellem Wissen.

Das Ergebnis ist ein System, das nicht nur versteht, sondern auch einordnet. Es denkt mehr wie ein Mensch, der sowohl Bedeutung als auch Zusammenhänge erfasst.

Was das für deinen Alltag bedeutet

Wenn dein KI-Assistent besser wird, liegt das oft an dieser Kombination. Er merkt sich nicht nur, dass du über HR-Themen gesprochen hast. Er weiß auch, welcher Kollege beteiligt war, welche Lösung funktioniert hat, wann das Problem auftrat.

Das macht KI-Assistenten im Customer Service besser. Sie erkennen wiederkehrende Kundenprobleme, auch wenn die Formulierungen variieren. Recruiting-Tools verstehen, welche Fähigkeiten zusammenpassen. Projektmanagement-Assistenten sehen Engpässe voraus.

Das Wichtigste ist folgendes. Du musst diese Technologie nicht im Detail verstehen, um sie zu nutzen. Aber es hilft zu wissen, dass hinter der KI-Intelligenz keine Magie steckt. Es sind Vektoren für Bedeutung und Graphen für Struktur. Zusammen ergeben sie ein System, das lernt und sich erinnert.

21.11.2025, Matteo Grappasonno