Embedding: Bedeutung wird berechenbar
Die flinq Embedding-API wandelt Baudaten in Vektoren um. Software kann damit nach Bedeutung suchen und vergleichen statt nach exaktem Wortlaut.
Endpunkte: POST /v1/embeddingsPOST /v1/search
Was ist ein Embedding?
Ein Embedding ist eine Liste von Zahlen, ein Vektor, die die Bedeutung eines Inhalts beschreibt. Ein Modell berechnet für jeden Inhalt, etwa eine LV-Position oder ein Produktdatenblatt, einen solchen Vektor. Inhalte mit ähnlicher Bedeutung landen nah beieinander, unabhängig vom Wortlaut.
Damit wird Ähnlichkeit berechenbar: Statt Zeichenketten zu vergleichen, vergleicht Software Positionen im Vektorraum. Das ist die Grundlage für semantische Suche, Matching, RAG, Deduplizierung und Clustering. Einmal eingebettet, ist die Suche reine Vektormathematik und antwortet in Millisekunden.
Was bedeutet das für die Baubranche?
Baudaten sind heterogen: Leistungsverzeichnisse, BIM-Modelle (IFC), Baustellenbilder, Produkt- und Kostendaten. Dieselbe Leistung wird in jedem Dokument anders formuliert, und wortbasierte Suche scheitert daran regelmäßig.
Das cross-modale flinq Modell bettet all diese Datenarten in denselben Vektorraum ein. Eine LV-Position, das passende IFC-Bauteil und das Herstellerprodukt liegen auf benachbarten Vektoren und werden über Format- und Herstellergrenzen hinweg auffindbar. Auf dem BauSatz-Benchmark erreicht flinq bei der Produktsuche nDCG 0,78 gegenüber 0,60 bei OpenAI.
Warum ein Embedding-Modell und kein LLM?
Für Suche, Matching und RAG über Baudaten spielt ein Embedding-Modell seine Vorteile gegenüber einem generativen LLM aus, bei Kosten, Tempo und Verlässlichkeit.
Bis zu 100× günstiger als ein LLM für dieselbe Aufgabe
Sie betten jedes Objekt einmal ein und speichern den Vektor. Suche und Matching sind danach reine Vektorrechnung, ohne teuren Modellaufruf pro Anfrage wie bei einem LLM.
Antworten in Echtzeit, auch bei Millionen Objekten
Vektorsuche über vorberechnete Embeddings antwortet in Millisekunden. Ein LLM-Aufruf dauert Sekunden.
Reproduzierbare, belegbare Ergebnisse
Gleiche Eingabe, gleicher Vektor, jedes Mal. Nachvollziehbar für Kalkulation und Ausschreibung, wo LLM-Antworten variieren.
Keine Halluzination
Embeddings rufen reale, existierende Objekte ab, eine echte LV-Position oder ein echtes Produkt, statt eine Antwort zu erfinden.
Weniger Fehltreffer, weniger Nacharbeit
Auf Baudaten trainiert: auf dem BauSatz-Benchmark nDCG 0,78 vs. 0,60. Höhere Domänengenauigkeit spart manuelle Korrektur.
Zum BenchmarkEine Integration, viele Funktionen
Dieselben Vektoren tragen Suche, Matching, RAG, Deduplizierung und Clustering, mehrere Funktionen aus einem Embedding-Aufruf.
Daten über Formatgrenzen hinweg verbinden
Gleichen Sie LV-Position, IFC-Bauteil und Datenblatt cross-modal ab. Verbindungen, die vorher Handarbeit oder unmöglich waren.
Ihre Daten bleiben in der EU
DSGVO-konform in der EU, ohne Umweg über einen US-LLM-Anbieter.
Kostenvergleich gegenüber generativen LLMs bei Retrieval- und Matching-Aufgaben; abhängig von Modell und Anfragevolumen.
Registrieren Sie sich für den API-Zugang oder lesen Sie die Doku.