Kurz-Fakten
- Übliche Größen liegen zwischen einigen hundert und einigen tausend Dimensionen
- Die Ähnlichkeit wird meist über den Kosinus zwischen zwei Vektoren berechnet
- Einbettungen personenbezogener Texte sind selbst personenbezogene Daten
- Ein Wechsel des Einbettungsmodells erfordert die Neuberechnung des gesamten Bestands
Bedeutung in der Praxis
Der Datenschutzpunkt wird regelmäßig übersehen: Wer einen Aktenbestand einbettet und die Vektoren in einer Datenbank ablegt, hat eine zweite Kopie der Akte angelegt – in einer Form, die sich schlechter kontrollieren lässt, weil sie unverständlich aussieht. Löschkonzept, Zugriffsschutz und Verarbeitungsverzeichnis müssen sie miterfassen.
Der letzte Fakt ist der teuerste: Ein Wechsel des Einbettungsmodells macht den gesamten vorhandenen Bestand unbrauchbar. Wer eine semantische Suche aufbaut, entscheidet damit auf Jahre.