Was es ist: Eine Methode, Computern beizubringen, Muster zu erkennen und Vorhersagen aus Daten zu treffen, ohne explizit jede Regel zu programmieren.
Schlüsseltypen für Vektoren:
- Überwachtes Lernen: Lernen aus gelabelten Beispielen (z.B. “das ist eine Katze” → Katzen-Embedding)
- Unüberwachtes Lernen: Muster in unlabelten Daten finden
- Neuronale Netzwerke: Schichtbasierte Systeme, die komplexe Muster lernen (wie die meisten Embeddings erstellt werden)
Warum es für Vektoren wichtig ist: ML-Modelle erstellen die Embeddings, die Vektordatenbanken speichern und durchsuchen. Bessere ML-Modelle → bessere Embeddings → genauere Suchergebnisse.
Einfache Analogie: Wie einem Kind beizubringen, Tiere zu erkennen, indem man ihm Tausende von Bildern mit Labels zeigt, bis es neue Tiere identifizieren kann, die es nie zuvor gesehen hat.