{"id":24938,"date":"2023-09-09T11:38:54","date_gmt":"2023-09-09T09:38:54","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=24938"},"modified":"2023-09-01T10:02:33","modified_gmt":"2023-09-01T08:02:33","slug":"graphdatenbank-erhaelt-vektorsuche","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=24938","title":{"rendered":"Graphdatenbank erh\u00e4lt Vektorsuche"},"content":{"rendered":"\n

Neo4j<\/a> erweitert seine Graphdatenbank um eine native Vektorsuche. Damit sollen die Benutzer beim Einsatz von semantischen Suchanwendungen einen Blick auf ihre Daten erhalten, der kontextbasiert ist. Die Ergebnisse k\u00f6nnen bei GenAI-Applikationen zum Einsatz kommen und als „Langzeitged\u00e4chtnis“ f\u00fcr LLMs (Large Language Models) dienen. Die Vektorsuchfunktion findet implizite Muster und Beziehungen zwischen unterschiedlichen Daten, die mehr auf \u00e4hnlichen Merkmalen aufsetzen und weniger auf genauen \u00dcbereinstimmungen basieren.<\/p>\n\n\n\n

\"\"<\/a>
Quelle: Neo4j<\/figcaption><\/figure>\n\n\n\n\n\n\n\n

Damit liefert die Suche relevante Antworten auch ohne die Vorgabe von definierten Schl\u00fcsselw\u00f6rtern. Daten sowie ihr zugeh\u00f6riger Kontext werden in einen hochdimensionalen (dichten) Vektor transformiert, der sich in abstrahierter Form f\u00fcr Machine Learning (ML) nutzen l\u00e4sst. Zum Einsatz kommt die Vektorsuche unter anderem beim Abgleich von Texten oder Dokumenten und beim Generieren von Empfehlungen (Recommendations).<\/p>\n\n\n\n

In Knowledge Graphen erlaubt die Vektorsuche genaue, erkl\u00e4rbare und transparente Ergebnisse, die als Grundlage f\u00fcr LLMs dienen und die Fehleranf\u00e4lligkeit (KI-Halluzinationen) minimieren. Generative KI-Anwendungen (GenAI) k\u00f6nnen im Kontext der vernetzten Daten Schlussfolgerungen ziehen und relevante Informationen abrufen.<\/p>\n\n\n\n

\u201eDie Vektorsuche deckt implizite Beziehungen auf, w\u00e4hrend im Graphen explizite, faktische Muster sichtbar werden. Diese Kombination ist nicht nur aus KI-Sicht von unglaublichem Wert\u201c, erkl\u00e4rt Emil Eifrem, Mitbegr\u00fcnder und CEO von Neo4j. \u201eUnternehmen wollen von der Innovationskraft rund um GenAI profitieren. Sie m\u00fcssen aber darauf vertrauen k\u00f6nnen, dass die Systeme korrekte, transparente und erkl\u00e4rbare Ergebnisse liefern. LLMs entwickeln sich momentan schnell weiter. Graphdatenbanken wie Neo4j gewinnen im gleichen Tempo an Bedeutung, weil sie es erlauben, die M\u00f6glichkeiten und Grenzen von GenAI im Business-Umfeld auszuloten.\u201c<\/p>\n\n\n\n

Mit der Vektorsuche baut Neo4j die Funktionen seiner Graphdatenbank weiter aus. Im Juni stellte der Graph-Experte die Integration mit den GenAI-Funktionen in Vertex AI f\u00fcr Google Cloud<\/a> vor, der f\u00fchrenden Plattform f\u00fcr maschinelles Lernen (inklusive LLMs). Entwickler k\u00f6nnen unstrukturierte Daten in einen Knowledge Graphen laden, sie in nat\u00fcrlicher Sprache abfragen und die LLM-generierten Ergebnisse validieren (Grounding).<\/p>\n\n\n\n

Neben AWS und GCP ist <\/strong>Neo4j Aura<\/a>DB <\/strong>seit April in Microsoft Azure verf\u00fcgbar. Als erster Anbieter nativer Graphdatenbanken wurde Neo4j zudem in den Gartner Magic Quadrant for Cloud Database Management Systems<\/a> aufgenommen.<\/p>\n\n\n\n

Weitere Informationen: https:\/\/neo4j.com<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

Neo4j erweitert seine Graphdatenbank um eine native Vektorsuche. Damit sollen die Benutzer beim Einsatz von semantischen Suchanwendungen einen Blick auf ihre Daten erhalten, der kontextbasiert ist. Die Ergebnisse k\u00f6nnen bei GenAI-Applikationen zum Einsatz kommen und als „Langzeitged\u00e4chtnis“ f\u00fcr LLMs (Large Language Models) dienen. Die Vektorsuchfunktion findet implizite Muster und Beziehungen zwischen unterschiedlichen Daten, die mehr auf \u00e4hnlichen Merkmalen aufsetzen und weniger auf genauen \u00dcbereinstimmungen basieren.<\/p>\n","protected":false},"author":81,"featured_media":24940,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[10036,4],"tags":[17532,7685,17345,7683,17531],"class_list":["post-24938","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-kuenstliche-intelligenz","category-news","tag-genai","tag-graphdatenbank","tag-llm","tag-neo4j","tag-vektorsuche"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/24938","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/81"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=24938"}],"version-history":[{"count":1,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/24938\/revisions"}],"predecessor-version":[{"id":24941,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/24938\/revisions\/24941"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/24940"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=24938"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=24938"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=24938"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}