MAX EMBEDDING ENGINE
„Relationale Daten hinein. Semantisch durchsuchbares Wissen heraus.“
Max zeigt, wie strukturierte Datensätze analysiert, aufbereitet und für eine spätere semantische Suche vorbereitet werden.
Deine Datei verlässt in dieser Demoversion nicht den Browser. Es gibt keinen Upload, keinen API-Aufruf und es werden noch keine echten Embeddings erzeugt – die Strukturanalyse und die Datenaufbereitung sind dagegen echt.
Fachlich wichtig: Eine relationale Datenbank wird nicht durch eine Vektordatenbank ersetzt. Geeignete Inhalte werden zusätzlich in Embeddings überführt – IDs und Metadaten halten die Verbindung zu den ursprünglichen Datensätzen.
Eingangsschleuse
CSV- oder JSON-Datei hier ablegen
oder klicken, um eine Datei auszuwählen · max. 5 MB
Strukturanalyse
Echte Kennzahlen, lokal aus deiner Datei ermittelt.
Datensätze
Textanteil der Felder
Datenqualität (gefüllte Zellen)
Feldzuordnung
Max hat eine Erstzuordnung vorgeschlagen – jede Rolle kann geändert werden. Regeln: höchstens ein ID-Feld, mindestens ein Embedding-Inhalt.
Textvorschau 1. Datensatz mit Inhalt
So würde der Text aussehen, der später in ein Embedding überführt wird:
Aufbereitung & Chunking
Chunking bedeutet, längere Inhalte in kleinere, sinnvoll verarbeitbare Textabschnitte aufzuteilen. Demo-Regel: Abschnitte bis 600 Zeichen, getrennt bevorzugt am Satzende.
Embedding-Simulation
In dieser Demoversion werden keine echten KI-Embeddings erzeugt. Max simuliert den späteren Verarbeitungsvorgang anhand deiner tatsächlich analysierten Daten.
feste Eigenschaft des angenommenen Modells
Beispielhafte Darstellung – kein erzeugtes Embedding
[0.018, -0.224, 0.731, 0.046, … +1.532 Werte]
Ergebnisbericht
✔ Demo-Verarbeitung abgeschlossen
Demo-Modus: Dieser Bericht enthält keine echten Embeddings – die Analyse- und Aufbereitungswerte stammen aus deiner Datei.
Lokale Testsuche
Demo-Suche auf Basis lokaler Textähnlichkeit – noch keine semantische Vektorsuche. Der Demo-Score zeigt, wie viele deiner Suchbegriffe im Textbaustein gefunden wurden.
Wissen kompakt
Was ist eine relationale Datenbank?
Eine Datenbank, die Informationen in Tabellen mit Zeilen und Spalten speichert – etwa Kunden, Tickets oder Produkte. Beziehungen zwischen Tabellen entstehen über Schlüssel (IDs). Sie ist ideal für exakte Abfragen: „alle offenen Tickets aus Juni“.
Was ist ein Embedding?
Eine lange Zahlenliste (ein Vektor), die die Bedeutung eines Textes repräsentiert. Ähnliche Inhalte bekommen ähnliche Vektoren – so kann ein System inhaltliche Nähe berechnen, auch wenn kein Wort exakt übereinstimmt.
Was ist eine Vektordatenbank?
Ein Speicher, der auf solche Vektoren spezialisiert ist und blitzschnell die „nächsten Nachbarn“ zu einer Suchanfrage findet. Zu jedem Vektor werden ID und Metadaten mitgespeichert.
Was bedeutet semantische Suche?
Suche nach Bedeutung statt nach exakten Stichwörtern. Die Frage „Karton kaputt angekommen“ findet auch den Eintrag „beschädigte Verpackung bei Lieferung“ – weil die Embeddings der beiden Texte nahe beieinander liegen.
Warum ersetzt die Vektordatenbank die relationale Datenbank nicht?
Weil beide unterschiedliche Stärken haben: Die relationale Datenbank bleibt die verlässliche Quelle für Fakten, Zahlen und exakte Filter. Die Vektordatenbank kommt zusätzlich dazu und macht die Textinhalte semantisch durchsuchbar. Die ID verbindet beide Welten.
Was sind IDs und Metadaten?
Die ID ist der eindeutige Schlüssel eines Datensatzes – über sie führt jeder Suchtreffer zurück zum Original. Metadaten (Kategorie, Status, Datum …) reisen mit dem Vektor mit und erlauben Filter wie „nur Kundenservice“.
Was bedeutet Chunking?
Längere Inhalte werden in kleinere, sinnvoll verarbeitbare Textabschnitte aufgeteilt. So bleibt jeder Vektor inhaltlich fokussiert und Suchtreffer zeigen genau auf die relevante Passage.
Wie würde aus dieser Demo ein echtes System?
Die hier aufbereiteten Textbausteine würden an ein Embedding-Modell (per Backend-API, ohne Schlüssel im Browser) geschickt, die Vektoren in einer Vektordatenbank gespeichert und die Testsuche durch eine echte Ähnlichkeitssuche ersetzt. Aufbau und Datenstruktur dieser Seite sind genau dafür vorbereitet.
Mini-Beispiel
| ID | Titel | Beschreibung | Kategorie |
|---|---|---|---|
| T-1001 | Reklamation Lieferung | Der Kunde meldet eine beschädigte Verpackung. | Kundenservice |
- ID bleibt die Verbindung zum Original in der relationalen Datenbank.
- Titel + Beschreibung bilden den Embedding-Inhalt.
- Kategorie bleibt filterbares Metadatum.
- Das echte Embedding wäre später eine lange Zahlenliste, z. B. 1.536 Werte.
Datenschutz & Demo-Hinweis
- Die gesamte Verarbeitung läuft lokal in deinem Browser – deine Datei wird nicht hochgeladen.
- Es wird keine externe API aufgerufen und es werden keine echten Embeddings erzeugt.
- Die Originaldatei wird nicht gespeichert (auch nicht in localStorage); „Zurücksetzen“ entfernt alle geladenen Daten aus dem Zustand.
- Der optionale Demo-Bericht wird nur auf deinen Wunsch als lokale Datei gespeichert und enthält höchstens wenige gekennzeichnete Vorschauzeilen.
- Token- und Vektorwerte sind Schätzungen bzw. simulierte Werte und als solche gekennzeichnet.