Reine Vektorsuche erfasst Bedeutung, verfehlt aber die exakte Übereinstimmung. Bei Unternehmensdaten ist das eine häufige Enttäuschung.
01. Wo es bricht
Wird eine Artikelnummer, Policennummer oder Vertragsreferenz gesucht, hilft semantische Suche nicht. Das Modell hält den Code für nah an einem "ähnlichen" Code und liefert das falsche Dokument.
02. Der hybride Aufbau
Die Lösung führt beide Suchen aus: die semantische erfasst den Begriff, die stichwortbasierte die exakte Übereinstimmung. Beide Trefferlisten werden zu einer Rangfolge zusammengeführt.
03. Ergebnisse zusammenführen
Üblich ist eine Bewertung, die die Ränge beider Listen mischt. Rohe Ähnlichkeitswerte direkt zu addieren führt in die Irre, weil die Skalen verschieden sind.
04. Neu sortieren
Die ersten zwanzig Treffer der zusammengeführten Liste mit einem stärkeren Modell neu zu sortieren hebt die Genauigkeit deutlich. Die Kosten bleiben gering, da nur Kandidaten betroffen sind.
05. Zuerst filtern
Wenden Sie Filter nach Datum, Abteilung oder Dokumenttyp vor der Suche an. Ein kleinerer Kandidatenpool beschleunigt und verbessert zugleich.
06. Messung
Messen Sie Suchqualität getrennt von der Antwort. Erscheint das richtige Dokument unter den ersten fünf? Ohne diese Antwort wissen Sie nicht, ob eine schlechte Antwort von der Suche oder vom Modell kommt.