Konzeptkarte

Embeddings (Vektoreinbettungen)

Stand 27. September 2026

Redaktion: Cédric Mary, alleiniger Redakteur und verantwortlich für die Veröffentlichung — 27 Jahre im SAP-Ökosystem. Wie diese Seiten entstehen und wo Automatisierung eingesetzt wird.

Was ist Embeddings (Vektoreinbettungen)?

Satz-Embeddings treiben RAG durch Bedeutungsabgleich statt Syntaxabgleich an — doch der Kompromiss ist deutlich: ein großes Modell (3.072 Dimensionen, 0,13 $/Mio.) gegenüber einem kleinen (1.536 Dimensionen, 0,02 $/Mio.) gegenüber einem lokalen 384-Dimensionen-Modell, und das Mischen von Modellen in einem Index bricht das Retrieval unbemerkt.

Worum es geht

Ein Embedding ist ein dichter reellwertiger Vektor, der den semantischen Gehalt eines Tokens, Satzes oder Dokuments in einem hochdimensionalen Raum kodiert, sodass semantisch ähnliche Eingaben sich geometrisch bündeln. Embeddings sind die Brücke zwischen diskretem Text und der kontinuierlichen Mathematik neuronaler Netzwerke.

Das Problem, das sie lösen, ist die Unfähigkeit exakter Übereinstimmungssuche, „Nettoumsatz“ zu finden, wenn der Nutzer nach „Gesamteinkommen“ fragt — Embeddings kodieren Bedeutung, nicht Syntax, und ermöglichen semantisches Retrieval im großen Maßstab.

Drei Generationen haben dominiert: Statische Wort-Embeddings (Word2Vec, Mikolov 2013; GloVe) weisen jedem Wort einen Vektor zu, unabhängig vom Kontext; kontextuelle Embeddings (BERT, GPT) erzeugen für jedes Token einen unterschiedlichen Vektor abhängig vom umgebenden Kontext; Satz-Embeddings mitteln oder bündeln kontextuelle Repräsentationen zu einem einzigen Dokumentvektor. Moderne RAG-Systeme verwenden Satz-Embeddings. OpenAIs text-embedding-3-large erzeugt 3.072-dimensionale Vektoren zu 0,13 $/Mio. Token; text-embedding-3-small erzeugt 1.536d zu 0,02 $/Mio. Matryoshka Representation Learning (MRL, Kusupati 2022) trainiert Embeddings so, dass die ersten k Dimensionen eines 3.072d-Vektors ein brauchbares 256d-Embedding ergeben — was Speicherkompression bei nur ~5 % NDCG@10-Verschlechterung ermöglicht. Die Vector Engine von SAP HANA Cloud speichert nativ 1.536d-Kosinus-Ähnlichkeitsvektoren und liefert Top-k-Ergebnisse in unter 10 ms bei 1 Mio. Dokumenten.

Wählen Sie text-embedding-3-large, wenn die Retrieval-Qualität entscheidend ist (Finanzberichte, regulatorische Texte); wählen Sie text-embedding-3-small oder ein lokales Modell (all-MiniLM-L6, 384d), wenn Kosten oder Latenz dominieren. Mischen Sie niemals Embeddings verschiedener Modelle im selben Index — die Vektorräume sind inkompatibel.

Warum es zählt

Matryoshka Representation Learning komprimiert einen 3.072d-Vektor auf ein brauchbares 256d bei nur ~5 % NDCG@10-Verlust — ein konkreter Hebel für Speicherkosten.
Die Vector Engine von SAP HANA Cloud liefert Top-k-Ergebnisse in unter 10 ms bei 1 Mio. Dokumenten mit nativer 1.536d-Kosinus-Ähnlichkeit — eine reale Leistungsbaseline, die sich zitieren lässt.
Modell-Inkompatibilität innerhalb eines Index ist ein unnötiger Fehler: Embeddings verschiedener Modelle belegen inkompatible Vektorräume.

Kernpunkte

Satz-Embeddings (nicht Wort-Embeddings) sind die richtige Einheit für RAG über SAP-Dokumente — ein Vektor pro Absatz, nicht pro Token.
Kosinus-Ähnlichkeit, nicht euklidische Distanz, ist die Standardmetrik für Embedding-Ähnlichkeit; HANA Cloud verwendet standardmäßig Kosinus.
Matryoshka-Embeddings erlauben die Kürzung von 3.072d auf 256d bei nur ~5 % NDCG@10-Verlust — erhebliche Speichereinsparungen.
Mischen Sie niemals Embeddings verschiedener Modelle im selben Index; die Vektorräume sind nicht aufeinander ausgerichtet.
HANA-Cloud-Vector-Engine: 1.536d Kosinus, Top-k < 10 ms bei 1 Mio. Dokumenten — keine externe Vektordatenbank für die meisten SAP-RAG-Workloads erforderlich.
Die Embedding-Modellversion in der Ingestion-Pipeline-Konfiguration explizit festlegen — eine nicht fixierte Abhängigkeit kann bei einem routinemäßigen Bibliotheks-Update das Modell still wechseln und einen beschädigten, gemischten Index erzeugen, ohne dass ein Fehler geworfen wird.
Die Vector Engine von HANA Cloud ist nicht der einzige Retrieval-Mechanismus derselben Datenbank — eine native Knowledge Graph Engine (RDF/SPARQL) verankert beziehungsförmige Fragen besser, als es Embedding-Ähnlichkeit je könnte.
Ein Kosinus-Ähnlichkeitswert ist ein Ranking-Signal, keine kalibrierte Konfidenzmessung — nie eine rohe Ähnlichkeitszahl einem Fachanwender als „wie sicher sich das Modell ist“ präsentieren.

Begriffe auf dieser Seite

Embedding: Ein dichter reellwertiger Vektor, der eine Texteinheit in einem gelernten semantischen Raum repräsentiert.
Cosine similarity: cos(θ) = (A·B)/(|A||B|): misst den Winkel zwischen zwei Vektoren; 1,0 = identische Richtung, 0 = orthogonal, −1 = entgegengesetzt.
Matryoshka Representation Learning (MRL): Trainingstechnik, die die ersten k Dimensionen eines großen Embeddings als eigenständiges kleineres Embedding nutzbar macht und flexible Dimensionalität ermöglicht.
RAG: Retrieval-Augmented Generation: Architektur, die einen Dokumentkorpus einbettet, zur Abfragezeit die Top-k relevanten Abschnitte abruft und sie an den LLM-Prompt anhängt.
Vector index: Ein Approximate-Nearest-Neighbour-Index (ANN, z. B. HNSW, IVF), der sublineare Suche über große Embedding-Sammlungen ermöglicht.

Quellen

Vollständige Karte für Mitglieder. Was die vollständige Karte ergänzt: den vollständigen Entscheidungsrahmen · den Vergleich SAP · Snowflake · Databricks · Fabric · die häufigen Fallstricke und ihre Behebung · die Kurzreferenz · die Architekturschemata · die Codeblöcke · die zitierfähigen Kennzahlen.

In der App öffnen →

Offene SAP-Projekte

Aktuelle SAP-Analytics-Projekte und Stellen im DACH-Raum: SAP-Analytics-Projekte im DACH-Raum.