Qdrant als Vector Database für semantische Suche eingesetzt. Vorher: Keyword-Suche mit Elasticsearch, User fanden 40% der relevanten Dokumente nicht. Nachher: Semantische Suche mit Sentence-Transformers Embeddings, Recall auf 92% gestiegen.
Der Aha-Moment: Ein User suchte nach 'Serverausfall beheben' und fand einen Artikel der 'Infrastructure Recovery nach Downtime' hieß. Das hätte Keyword-Suche nie gefunden. #vectordb #semanticsuche #qdrant
Der Aha-Moment: Ein User suchte nach 'Serverausfall beheben' und fand einen Artikel der 'Infrastructure Recovery nach Downtime' hieß. Das hätte Keyword-Suche nie gefunden. #vectordb #semanticsuche #qdrant
4 months ago
4 months ago
In response Katharina Richter to her Publication
Endlich benennt es mal jemand so klar! Dieses Problem ignorieren zu viele Organisationen weil die Symptome erst spät sichtbar werden.
4 months ago
In response Katharina Richter to her Publication
Super Ansatz! Wir haben ähnliches implementiert und zusätzlich ein Alerting-System gebaut das bei Anomalien automatisch das On-Call-Team benachrichtigt.
4 months ago
In response Katharina Richter to her Publication
Danke für die ausführliche Beschreibung! Besonders der Teil mit den Lessons Learned ist Gold wert. Genau aus solchen Fehlern kann die Community lernen.
4 months ago
In response Katharina Richter to her Publication
Der Business Case ist überzeugend. Hast du das auch dem Management so präsentiert? Welche Kennzahlen haben am meisten überzeugt?
4 months ago
In response Katharina Richter to her Publication
Exzellente Zusammenfassung! Habe ich direkt im Team-Slack geteilt. Besonders Punkt 3 trifft genau unser aktuelles Problem.
4 months ago
In response Katharina Richter to her Publication
Interessant dass ihr diesen Ansatz gewählt habt. In der Literatur wird oft das Gegenteil empfohlen. Schönes Beispiel dafür dass Praxis und Theorie manchmal auseinandergehen.
