Konzeptkarte

Embeddings

Stand 2026-07-23

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

Was ist Embeddings?

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.

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.
Embeddings ist erst beherrscht, wenn es eine benannte Käuferentscheidung verändert.
Beginnen Sie mit dem semantischen Vertrag und dem Kontrollmodell, bevor Sie das Tool vorführen.
Nutzen Sie aktuelle SAP-, Analysten-, Studien-, KG- und News-Signale als Beleg, nicht als Dekoration.
Trennen Sie verifizierte Fakten von richtungsweisenden Trends und modellierten Annahmen.
Definieren Sie Owner, Kennzahl, Schwellenwert, Support-Pfad und Rollback vor der Skalierung.

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.
Decision owner: Die verantwortliche Person, die den Zielkonflikt akzeptiert und die nächste Maßnahme finanziert.
Semantic contract: Die gemeinsame Definition von Geschäftsbegriffen, Kennzahlen, Entitäten und Zugriffsregeln, die von Tools und Teams verwendet wird.
Control plane: Die Schicht, die Policy, Zugriff, Herkunftsnachweis, Monitoring und Eskalation über das Betriebsmodell hinweg durchsetzt.

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.

In der App öffnen →