Warum Ihr nächstes KI-Projekt keine separate Vektordatenbank benötigt

Ihre KI-Strategie benötigt keine neue Datenbank. Sie benötigt die Datenbank, der Sie bereits vertrauen, damit sie noch mehr leisten kann. Lernen Sie die neueste Version von HCL Informix®kennen – die Unternehmensdatenbank, die nun KI-fähig ist.

Angenommen, Ihr Team möchte eine Support- Chatbot -Funktion hinzufügen, die automatisch ähnliche Tickets aus der Vergangenheit findet.

Nach ein paar Wochen stößt man auf die übliche Hürde. Um nach der Bedeutung statt nach exakten Begriffen zu suchen, benötigt man eine Vektordatenbank. Das bedeutet einen neuen Anbieter, eine neue Pipeline, in die die Daten kopiert werden müssen, und eine neue Sicherheitsüberprüfung, bevor echte Kundendaten verarbeitet werden können.

Der Bau des „ Chatbot “ wurde nicht schwieriger. Alles drum herum schon.

In diesem Beitrag wird erläutert, warum Sie dieses zusätzliche System wahrscheinlich nicht benötigen, und es wird die konkrete SQL-Abfrage für die semantische Suche in der Datenbank gezeigt, die Sie bereits nutzen. Außerdem erfahren Sie, wie die Vektorsuche parallel zu Ihren bestehenden Geschäftsdaten eingesetzt werden kann, ohne dass Anwendungsteams einen separaten Vektordatenbankdienst eigenständig bereitstellen und verwal verwalten en müssen.

Der schnellste Weg, KI zu integrieren, ist keine neue Datenbank

Der schnellste Weg zur KI könnte darin bestehen, Ihrer Datenbank einen neuen Trick beizubringen.

Nehmen wir einmal an, Sie betreiben täglich eine HCL Informix-Produktionsdatenbank für Geschäftsprozesse rund um Bestellungen, Rechnungsstellung und Schadensfälle. Ein Produktteam wünscht sich eine „ Chatbot “ mit einer Suchfunktion, die KI nutzt, und das Team möchte diese möglichst bald haben. Damit sind Sie einverstanden. Was Ihnen jedoch Sorgen bereitet, ist der zusätzliche Aufwand, den eine völlig neue Datenbank mit sich bringt – darunter ein weiteres System, für das Patches installiert werden müssen, ein weiterer Anbieter, dessen Sicherheitsfreigabe eingeholt werden muss, und eine weitere Pipeline, die unbemerkt ausfallen könnte.

Vielleicht haben Sie sich bereits Pinecone, Weaviate oder pgvector angesehen. Hier können Sie überprüfen, ob Sie tatsächlich eine neue Datenbank hinzufügen müssen:

Kurze Grundlagen: Was ist ein „Vektor“ und warum wird er für die Suche benötigt?

Ein Vektor ist eine Liste von Zahlen, die die Bedeutung eines Textabschnitts repräsentiert. Zwei Sätze, die dasselbe bedeuten, werden als zwei Zahlenlisten dargestellt, die nahe beieinander liegen, auch wenn sie kein einziges gemeinsames Wort enthalten.

„Wie setze ich mein Passwort zurück?“ und „Ich habe meine Anmeldedaten vergessen“ bedeuten dasselbe, daher liegen ihre Vektoren nahe beieinander. Die Suche anhand dieser Nähe anstelle einer exakten Übereinstimmung der Wörter ist das, was man unter „Vektorsuche“ versteht. Das ist der Trick hinter jeder „ Chatbot “, die scheinbar „versteht“, was man fragt.

Warum eine separate Vektordatenbank mehr kostet als die Anschaffungskosten

Die übliche Konfiguration klingt einfach, summiert sich aber schnell:

Richten Sie eine separate Vektordatenbank ein
Bezahlen Sie dafür und betreiben Sie sie als eigenständiges System
Erstellen Sie eine Pipeline, die Ihre Daten dorthin kopiert und beide Seiten synchron hält
Führen Sie eine eigene Sicherheitsüberprüfung durch und sorgen Sie für Backups sowie einen Plan für den Wiederherstellung im Katastrophenfall

In diesem dritten Punkt verbergen sich die tatsächlichen Kosten. Eine Studie aus dem Jahr 2026 zu Datenpipelines in Unternehmen ergab, dass große Unternehmen im Durchschnitt mehrere hundert davon betreiben und dass diese Pipelines mehrmals im Monat ausfallen, wobei die Behebung jedes Ausfalls mehrere Stunden in Anspruch nimmt. Das steht auf keiner Preisliste einer Vektordatenbank. Es macht sich erst später bemerkbar – in Ihrem Bereitschaftsdienstplan.

HCL Informix überspringt den Großteil dieser Liste. Die Vektorsuche ist über HCL Informix VectorBlade integriert, sodass Anwendungsteams keinen separaten Vektordatenbankdienst mit eigenem Betriebslebenszyklus bereitstellen und verwalten ( verwalten ) müssen. Die Synchronisierung der Vektordaten mit Ihren Informix-Daten kann durch den Aufruf einer gespeicherten Prozedur aus der Datenbank heraus initiiert werden, anstatt auf eine separate, anwendungsseitige Synchronisierungspipeline zurückzugreifen.

Warum die integrierte Vektorsuche die Architektur vereinfacht

Mit VectorBlade können Sie die Vektorsuche in Verbindung mit Geschäftsattributen wie Kundenstufe, Region oder anderen „ Metadaten “, die mit dem Vektorsuch-Workflow verknüpft sind, nutzen:

„Finde Tickets wie dieses, aber nur von Platinum-Kunden in der EMEA-Region.“

Eine separat verwaltete Vektordatenbank erfordert oft, dass Anwendungen die für die Filterung benötigten „ Metadaten “ kopieren und synchronisieren. Mit HCL Informix und VectorBlade wird die Vektorsuche direkt in den Informix-Workflow integriert – zusammen mit den Geschäftsdaten, die Ihre Anwendungen bereits verwalten – wodurch der Bedarf an zusätzlicher anwendungsseitiger Integrations- und Synchronisationslogik reduziert wird.

Fangen wir mit einem einfachen „ use case “ an.

Mithilfe der VectorBlade-Lösung erstellen wir eine von VectorBlade verwaltete Vektortabelle, in der Vektoren gespeichert und „Nearest-Neighbor“-Suchen durchgeführt werden können:

• Diese von VectorBlade verwaltete Vektortabelle enthält drei Spalten der folgenden Datentypen: bigint, embedding, lvarchar.
• In der Spalte „bigint“ werden Vektor-IDs gespeichert. Diese müssen eindeutige Zahlen sein.
• Die Einbettungsspalte kann Vektoren mit einer beliebigen Anzahl von Dimensionen speichern, diese Anzahl muss jedoch bei der Erstellung der Tabelle festgelegt werden.
• Die Spalte „lvarchar“ dient zur Speicherung von Text Metadaten. Dieser „ Metadaten “ kann beliebig gestaltet werden und ist beispielsweise für Filterzwecke nützlich.

Vorausgesetzt, Ihr OpenAI-Schlüssel ist korrekt eingerichtet und Sie können die Funktion `lvector_embed()` erfolgreich ausführen, dürfte das folgende Beispiel für Sie von Interesse sein:

Beispiel:

-- Create a new traditional table
database examples;
create table ifx_sample_tab3 (
ident bigint,
embedding_data lvector_embedding,
text_data lvarchar,
metadata lvarchar,
primary key (ident)
);

-- Generate some real embeddings and insert them into our table
insert into ifx_sample_tab3 values (
1,
lvector_embed('This text is about squirrels'),
'This text is about squirrels',
'This metadata will not be used in this example'
);

insert into ifx_sample_tab3 values (
2,
lvector_embed('This text is about car racing'),
'This text is about car racing',
'This metadata will not be used in this example'
);




insert into ifx_sample_tab3 values (
3,
lvector_embed('This text is about architecture'),
'This text is about architecture',
'This metadata will not be used in this example'
);

insert into ifx_sample_tab3 values (
4,
lvector_embed('This text is about wrestling'),
'This text is about wrestling',
'This metadata will not be used in this example'
);

insert into ifx_sample_tab3 values (
5,
lvector_embed('This text is about sound'),
'This text is about sound',
'This metadata will not be used in this example'
);

Angenommen, wir möchten den Text finden, der für die Frage „Erzählen Sie mir etwas über Gebäudedesign“ am relevantesten ist. Zunächst erstellen wir eine von VectorBlade verwaltete Vektortabelle, mit der wir diese Suche durchführen können. In diesem Beispiel haben die Vektoren 1536 Dimensionen, was dem für das Beispiel verwendeten Einbettungsmodell entspricht:

EXECUTE PROCEDURE lvector_create_table('sample_tab3', 1536);

Nun synchronisieren wir diese von VectorBlade verwaltete Vektortabelle mit unserer herkömmlichen Tabelle:

EXECUTE PROCEDURE lvector_bulk_sync('ifx_sample_tab3', 'sample_tab3', 'ident', 'embedding_data');

Nun können wir eine echte Vektorsuche durchführen:

Suche 1:

SELECT text_data FROM ifx_sample_tab3 WHERE ident IN (SELECT * FROM TABLE(lvector_id_search('sample_tab3', lvector_embed('Tell me about building design'), 1)));

Sie sollten sehen, dass die Ergebnisse dieser Vektorsuche wie folgt lauten:

text_data In diesem Text geht es um Architektur

Suche 2:

SELECT text_data FROM ifx_sample_tab3 WHERE ident IN (SELECT * FROM TABLE(lvector_id_search('sample_tab3', lvector_embed('Tell me about cute rodents'), 1)));

Erwartete Ergebnisse:

text_data In diesem Text geht es um Eichhörnchen

Suche 3:

SELECT text_data FROM ifx_sample_tab3 WHERE ident IN (SELECT * FROM TABLE(lvector_id_search('sample_tab3', lvector_embed('Tell me about sports'), 2)));

Erwartete Ergebnisse:

text_data In diesem Text geht es um Autorennen

text_data In diesem Text geht es um Wrestling

Das Anwendungsteam muss keinen separaten Vektordatendienst bereitstellen. Es ist kein zusätzlicher anwendungsseitiger „ abfragen “ erforderlich, um zwei separat verwaltete Systeme miteinander zu verknüpfen. Die Vektorsuche bleibt Teil des Informix-Workflows.

So überprüfen Sie, ob tatsächlich alles funktioniert

Bevor Sie das Projekt als abgeschlossen betrachten, sollten Sie diese vier Punkte überprüfen:

1. Sind die Ergebnisse plausibel? Führen Sie 20 echte Fragen durch die Funktion `lvector_search()` und prüfen Sie, ob die besten Antworten für einen Menschen plausibel erscheinen. Wenn weniger als acht von zehn Antworten plausibel erscheinen, passen Sie die Konfiguration an, bevor Sie das System in Betrieb nehmen.
2. Funktioniert der Filter tatsächlich? Führen Sie den Befehl „ abfragen “ aus und überprüfen Sie, ob jedes Ergebnis dem Filter entspricht. Sollte jemals ein Ergebnis zurückgegeben werden, das nicht dem Filter entspricht, handelt es sich um einen Fehler und nicht um eine Eigenart.
3. Ist sie unter realer Last schnell genug? Testen Sie dies, indem Sie viele Suchanfragen gleichzeitig ausführen, nicht nur eine. Wenn sie deutlich langsamer ist als Ihre normalen Abfragen, handelt es sich um ein Dimensionierungsproblem und nicht um einen Grund, eine zweite Datenbank hinzuzufügen.
4. Wird dabei berücksichtigt, wer was sehen darf? Stellen Sie sicher, dass jemand, der normalerweise keine „ Aufzeichnung “ sehen kann, diese auch nicht über die Suche finden kann.

Wenn alle vier Punkte zutreffen, weißt du, dass es funktioniert – und es liegt nicht nur daran, dass „ Demo “ funktioniert hat.

Vielleicht fragen Sie sich immer noch: „Aber ist eine spezielle Vektordatenbank nicht besser?“ Die Realität sieht folgendermaßen aus:

Bei einem riesigen Umfang von Milliarden von Einträgen, wie beispielsweise bei einer öffentlichen Websuche, kann eine speziell dafür entwickelte Vektordatenbank schneller sein. Das ist eine Tatsache, nicht nur Marketing.

Die meisten Unternehmen verfahren jedoch anders. Sie durchsuchen ihre eigenen Daten – beispielsweise Zehntausende bis zu einigen Millionen Datensätze –, bei denen Genauigkeit wichtiger ist als die Einsparung einiger Millisekunden. In diesem weitaus häufigeren Fall stellt der Verzicht auf das zusätzliche System keinen Kompromiss dar. Es ist einfacher und bietet weniger Möglichkeiten für Fehler.

Eine Datenbank, fünf Arten von Daten

Die Vektorsuche ist die neueste Ergänzung, aber nicht die erste. HCL Informix verarbeitet bereits seit Jahren verschiedene Arten von Daten an einem Ort:

Die wichtigsten Erkenntnisse

Die meisten KI-Funktionen müssen die Daten durchsuchen, über die Sie bereits verfügen, wofür nicht unbedingt die Bereitstellung und Verwaltung eines separaten Vektordatenbankdienstes erforderlich ist.

Mit VectorBlade können Sie die semantische Suche in Verbindung mit vorhandenen Geschäftsdaten nutzen und gleichzeitig den Bedarf an separaten anwendungsseitigen Datenkopien, Synchronisationspipelines und Integrationslogik reduzieren.

Prüfen Sie die KI-gestützte Datenbank so, wie Sie alles andere auch prüfen würden: Liefert sie gute Antworten, funktioniert der Filter, ist sie schnell genug und hält sie die Zugriffsregeln ein?

Sie müssen keinen weiteren Datenbankdienst hinzufügen und verwalten einrichten, nur um KI-Suchfunktionen zu entwickeln. Mit HCL Informix und VectorBlade können Sie Ihre bereits genutzte Datenbankumgebung um integrierte Vektorsuch Fähigkeiten erweitern.

Nutzen Sie KI für die Daten, denen Sie bereits vertrauen – und nicht umgekehrt. Holen Sie sich HCL Informix® 15 mit VectorBlade und Nutzen – mit integrierter Vektorsuche, semantischem abfragen Fähigkeiten sowie Unterstützung für RAG-Workflows in der Datenbankumgebung, die Sie bereits nutzen. HCL Informix 15

Informix ist eine Marke der IBM Corporation in mindestens einer Gerichtsbarkeit und wird unter Lizenz verwendet.

Über den Autor

Über Gaurav Kumar

Gaurav Kumar ist Senior Informix Technical Support Engineer bei Actian und verfügt über mehr als 15 Jahre Erfahrung in der Unterstützung von Unternehmenskunden bei der Lösung komplexer Datenbankprobleme. Er ist auf HCL Informix® spezialisiert und verfügt über Erfahrung in der Behebung von nachgelagerten Störungen sowie über Fachkenntnisse in den Bereichen „ Performance Tuning “, Hochverfügbarkeit, Replikation, Sicherheit und KI-gestützte Datenbank Fähigkeiten. Er teilt sein technisches Wissen gerne über Blogs, Webinare und Videos auf Demo , um Kunden den Einstieg in neue Technologien zu erleichtern.