Vektorsuche mit den Datenbanken Qdrant und PostgreSQL im Vergleich

Vektordatenbanken haben sich zur Informationsergänzung etabliert, während klassische Datenbanken Vektorfunktionen nachrüsten. Beide Varianten im Vergleich.

Artikel verschenken
In Pocket speichern vorlesen Druckansicht

(Bild: iX)

Lesezeit: 20 Min.
Von
  • Prof. Christian Winkler
Inhaltsverzeichnis

Große Sprachmodelle (Large Language Models, LLMs) verarbeiten Sprache als Wort-Embeddings in Form von vieldimensionalen Vektoren. Deshalb sind im Zuge des Hypes um die LLMs Vektordatenbanken als eine attraktive Form zum Ablegen und Suchen von Vektoren auf den Plan getreten. Diese Datenbanken besitzen Funktionen, die über die Fähigkeiten einer klassischen SQL-Datenbank hinausgehen.

Mehr zum Thema Datenbank
Prof. Christian Winkler

ist Data Scientist und Machine Learning Architect. Er promovierte in theoretischer Physik und arbeitet seit 20 Jahren im Bereich groĂźer Datenmengen und KĂĽnstliche Intelligenz, insbesondere mit Fokus auf skalierbaren Systemen und intelligenten Algorithmen zur Massentextverarbeitung. Als Professor an der TH NĂĽrnberg konzentriert sich seine Forschung auf die Optimierung von User Experience mithilfe moderner Verfahren. Er ist GrĂĽnder der datanizing GmbH, Referent auf Konferenzen und Autor von Artikeln zu Machine Learning und Text Analytics.

Allerdings bieten mehr und mehr SQL-Datenbanken auch Vektorsuchen an. Es stellt sich also die Frage, ob es sich lohnt, auf eine dedizierte Vektordatenbank zu setzen, oder ob eine – eventuell bereits vorhandene – Datenbank nicht schon ausreicht.

Dieser Artikel zeigt anhand eines Beispiels die unterschiedlichen Herangehensweisen der beiden Softwaretypen und klärt über Vor- und Nachteile auf.

Das war die Leseprobe unseres heise-Plus-Artikels "Vektorsuche mit den Datenbanken Qdrant und PostgreSQL im Vergleich". Mit einem heise-Plus-Abo können sie den ganzen Artikel lesen und anhören.