Was bedeutet das Kernproblem bei traditioneller Stringsuche?	Sie findet nur exakte Wortübereinstimmungen, nicht semantische Bedeutung. Eine Suche nach "Auto" findet nicht "Automobil" oder "Fahrzeug".
Wie funktioniert das Konzept von Embeddings?	Embeddings konvertieren Text in Koordinaten im mehrdimensionalen Raum, sodass semantisch ähnliche Konzepte räumlich nah beieinander liegen.
Warum reichen zwei Dimensionen nicht für echte Embeddings?	Die reale Welt hat mehr als zwei Themen/Konzepte, daher braucht man mehr Dimensionen, um komplexe Bedeutungen zu erfassen.
Wie viele Dimensionen verwenden echte Embedding-Modelle typischerweise?	Echte Embedding-Modelle verwenden etwa tausend Dimensionen (z.B. 1.024 bei VoyageAI).
Was ist das Problem mit den Achsen in hochdimensionalen Embedding-Räumen?	Die Bedeutung jeder Achse ist nicht klar definierbar. Dimension 847 kann man nicht benennen oder interpretieren – sie entstehen emergent aus Trainingsdaten.
Was ist die Ausgabe eines Embedding-Modells?	Eine Vektor mit fester Länge von Zahlen (z.B. 1.024 Werte), unabhängig davon, ob der Input drei Wörter oder drei Absätze sind.
Wie funktioniert Ähnlichkeitssuche im Embedding-Raum?	Man plottet die Anfrage mit denselben Achsen wie die Dokumente und findet die k nächsten Punkte im Raum.
Was ist Kosinus-Ähnlichkeit?	Ein Maß für Textähnlichkeit basierend auf der Richtung der Vektoren, nicht auf ihrer räumlichen Entfernung.
Warum funktioniert die mathematische Distanzberechnung auch in 4D und höher, obwohl wir es uns nicht vorstellen können?	Die Distanzformel funktioniert mathematisch unabhängig von der Anzahl der Dimensionen – man addiert einfach mehr quadrierte Terme hinzu.
Wie unterscheiden sich "work from home" und ein längerer Text über Remote-Arbeit in ihren Embeddings?	Beide werden auf denselben 1.024-dimensionalen Vektor abgebildet, aber ihre Koordinaten unterscheiden sich, da das Modell unterschiedliche semantische Nuancen erfasst.