Embeddings sind numerische Vektor-Darstellungen von Text, Bildern oder anderen Daten. Ein Embedding-Modell übersetzt ein Wort, einen Satz oder einen ganzen Absatz in eine Zahlenreihe mit mehreren hundert bis mehreren tausend Werten. Diese Zahlenreihe bildet nicht die Buchstaben ab, sondern die Bedeutung.
Der Nutzen liegt in der Geometrie dieses Zahlenraums. Begriffe mit ähnlicher Bedeutung landen nahe beieinander, unabhängig von der genauen Wortwahl. "Rechnung" und "Faktura" erhalten ähnliche Vektoren, obwohl kein einziger Buchstabe übereinstimmt. Ein Computer kann diese Nähe berechnen und darüber Ähnlichkeit messen, ohne dass jemand vorher ein Synonymwörterbuch gepflegt hat. Genau diese Eigenschaft macht Embeddings zur Grundlage der semantischen Suche: Statt nach exakten Schlagworten zu suchen, sucht das System nach inhaltlicher Nähe.
Für SAP-Business-One-Anwender wird das praktisch relevant, sobald Wissen aus vielen Quellen durchsucht werden soll. Handbücher, Supportfälle, Blog-Artikel und interne Dokumentation lassen sich in Embeddings umrechnen und in einer Vektordatenbank ablegen. Eine Anwenderfrage wird ebenfalls in ein Embedding übersetzt, die ähnlichsten Textabschnitte werden herausgesucht und einem Sprachmodell als Kontext mitgegeben. Dieses Verfahren ist mittlerweile der Standardweg, um ein Sprachmodell mit aktuellem ERP-Wissen zu versorgen, ohne es aufwendig neu zu trainieren. Auch Artikelstämme und Belegtexte lassen sich so durchsuchbar machen, etwa um doppelte Lieferanten oder ähnliche Buchungstexte aufzuspüren.
Abgrenzung
Embeddings sind kein fertiges Produkt, sondern eine Zwischenrepräsentation. Das Embedding-Modell erzeugt die Vektoren, die Vektordatenbank speichert und durchsucht sie, und die semantische Suche ist der Anwendungsfall, der daraus entsteht. Wer von "Embeddings" spricht, meint also die Zahlenrepräsentation selbst, nicht die Suchoberfläche und nicht das Modell, das sie berechnet.
KI im Arbeitsalltag: So finden Sie den richtigen Start
KI-Assistent trifft SAP Business One: Zwei Wege aus dem Versino KI-Shop
Sprint und Swirl: Wie ein KI-Agent Arbeit aufteilt und aus Probeläufen lernt
LATS: Mehrere Wege gleichzeitig durchdenkt mit KI — und die Verfügbarkeitsprüfung in SAP B1
ReAct und RLEF: Wie Künstliche Intelligenz aus echten Fehlern lernt — und was der automatische Bankabgleich in SAP Business One damit zu tun hat
