Teradata stellt Enterprise Vector Store vor Mit KI Struktur ins Datenchaos bringen

Anbieter zum Thema

Teradata GmbH

Board Deutschland GmbH

INFOMOTION GmbH

QUNIS GmbH

Teradata erweitert sein Portfolio um den Enterprise Vector Store, eine datenbankinterne Vektorlösung, die die Geschwindigkeit, Leistung und multidimensionale Skalierbarkeit der Hybrid-Cloud-Plattform von Teradata für das Management von Vektordaten nutzt. Diese seien ein entscheidendes Element für die Implementierung von Trusted AI. Durch die Integration mit NVIDIA NeMo Retriever ermögliche sie blitzschnelle Abfragen und skaliere über Milliarden von Vektoren hinweg – und das in hybriden Cloud- und On-premises-Umgebungen.

Moderne KI-Systeme stehen und fallen mit der Fähigkeit, unstrukturierte Daten effizient zu durchsuchen und zu interpretieren. Texte, Bilder, Videos – all das lässt sich nicht in klassischen relationalen Datenbanken speichern, sondern wird durch Vektoreinbettungen in eine mathematische Form gebracht. Je schneller und präziser eine KI ähnliche Vektoren findet, desto besser funktioniert sie. Genau hier setzen Vektordatenbanken an. Unternehmen wie Pinecone, Weaviate oder Milvus bieten seit Jahren spezialisierte Lösungen für die semantische Suche, Empfehlungsalgorithmen und generative KI an.

Teradata möchte mit dem Enterprise Vector Store einen anderen Ansatz verfolgen: Statt eine separate Infrastruktur aufzubauen, sollen Vektordaten direkt in die bestehende hybride Cloud-Datenbankarchitektur integriert werden. „Die meisten Vektor-Stores erfordern Kompromisse, die ihre Anwendung bei anspruchsvollen Geschäftsproblemen erschweren oder verteuern“, erklärt das Unternehmen in einer Mitteilung. Die versprochene Lösung: hohe Skalierbarkeit, niedrige Latenzen und vollständige Integration in bestehende Unternehmenssysteme.

KI braucht technologisch eine solide Voraussetzung

Technologisch betrachtet, setzt der Enterprise Vector Store auf einige interessante Konzepte. So sollen Milliarden von Vektoren verarbeitet werden können – bei Antwortzeiten im Millisekundenbereich. Zudem soll die Plattform LangChain und Retrieval-Augmented Generation (RAG) unterstützen, zwei essenzielle Frameworks für generative KI-Anwendungen. Besonders spannend ist die geplante Integration von NVIDIA NeMo Retriever, einer Retrieval-Lösung aus dem NVIDIA-AI-Enterprise-Stack. Diese sollen für zusätzliche Rechenleistung sorgen und die Performance von RAG-Anwendungen optimieren.

Doch es gehe nicht nur um Performance, sondern auch um Vertrauen. Durch die Verwaltung von Meta-Daten sollen Unternehmen nachverfolgen können, wie sich Vektor-Embeddings im Zeitverlauf verändern. Teradata verspricht: „Unsere Plattform deckt den gesamten Lebenszyklus im Management von Vektordaten ab – von der Generierung von Embeddings und der Indexierung bis hin zur Metadatenverwaltung und intelligenten Suche.“ Das könnte für Audit- und Compliance-Anwendungen sowie für erklärbare KI-Modelle von Bedeutung sein. Denn oft bleibt in KI-Systemen unklar, warum ein Modell eine bestimmte Entscheidung trifft – eine Historisierung der Vektordaten könnte hier mehr Transparenz schaffen.

So vielversprechend diese Ansätze sind: Teradata tritt in einen hochkompetitiven Markt ein. Pinecone, Weaviate und Milvus sind bereits etabliert – mit Open-Source-Ökosystemen und flexiblen Cloud-Implementierungen. Zudem fehlen in der Ankündigung konkrete Benchmark-Zahlen, die eine überlegene Performance im Vergleich zu bestehenden Lösungen belegen. Auch die Frage nach den tatsächlichen Betriebskosten bleibt offen. Vektordatenbanken erfordern enorme Speicher- und Rechenressourcen – ob Teradata hier eine wirtschaftliche Lösung bietet und ob der Enterprise Vector Store den hohen Erwartungen gerecht wird, wird sich zeigen, wenn die Lösung im Juli 2025 allgemein verfügbar sein wird.

(ID:50342853)