Jenseits von Vektordatenbanken: Wie Identity Resolution kundenzentrierte KI ermöglicht

Der Infrastruktur-Stack für KI reift rasant. Vektordatenbanken sind zur Standardwahl für Retrieval-Augmented Generation (RAG) geworden, und das aus gutem Grund – sie sind hervorragend darin, semantisch ähnliche Inhalte zu finden. Bei Kundendaten hat Vektorähnlichkeit jedoch einen grundlegenden blinden Fleck.

Die Grenzen der Vektorähnlichkeit bei Kundendaten

Vektordatenbanken wandeln Text in hochdimensionale Embeddings um und finden Datensätze mit ähnlichen Embeddings. Für Dokumentensuche, Wissensdatenbank-Abfragen und Inhaltsempfehlungen ist das mächtig. Kundenidentität funktioniert aber nicht wie semantische Ähnlichkeit.

Betrachten Sie diese beiden Kundendatensätze:

Datensatz A: „Sarah Johnson, sarah.j@acme.com, CRM“
Datensatz B: „SARA JOHNSON, +49 555 1234, ERP“

Die Textähnlichkeit dieser Datensätze ist gering. Der Name ist unterschiedlich geschrieben, einmal gibt es eine E-Mail-Adresse und einmal eine Telefonnummer, und sie stammen aus verschiedenen Systemen. Eine Vektordatenbank würde Datensatz B bei einer Suche nach Datensatz A womöglich gar nicht zurückliefern.

Es ist aber dieselbe Person. Und eine KI-Anwendung, die nur Datensatz A kennt, arbeitet mit dem halben Bild.

Identity Resolution: die fehlende Schicht

Identity Resolution löst ein anderes Problem als die Vektorsuche. Statt „Welcher Text sieht ähnlich aus?“ beantwortet sie „Welche Datensätze gehören zur selben realen Person?“

Das erfordert domänenspezifische Matching-Logik:

Namensabgleich, der versteht, dass „Sara“ ≈ „Sarah“ ≈ „S.“ ist, aber ≠ „Sandra“
Adressnormalisierung, die „Hauptstr. 14“ mit „Hauptstraße 14“ gleichsetzt
Attributübergreifende Verknüpfung – Datensätze mit gemeinsamer Telefonnummer, aber unterschiedlichen Namen können trotzdem dieselbe Person sein
Transitives Matching – A passt zu B, B passt zu C, also sind A-B-C eine Entität, auch wenn A und C kein einziges Attribut teilen

Keine noch so ausgefeilte Embedding-Technik kann das nachbilden. Es ist eine grundlegend andere Operation als die Ähnlichkeitssuche.

Der Stack für kundenzentrierte KI

Für KI-Anwendungen, die mit Kundendaten arbeiten – Support-Chatbots, Vertriebs-Copiloten, Marketing-Assistenten, Betrugserkennungssysteme –, kombiniert der ideale Stack beide Ansätze:

Identity Resolution (Tilores) – löst auf, welche Datensätze zu welcher Person gehören, und erzeugt einheitliche Golden Records
Vektordatenbank – indexiert unstrukturierte Inhalte (Dokumente, Chatprotokolle, Wissensartikel) für die semantische Suche
LLM – erzeugt Antworten auf Basis des aufgelösten Kundenkontexts und der abgerufenen Dokumente

Identity Resolution übernimmt die strukturierten Kundendaten. Die Vektorsuche übernimmt die unstrukturierten Inhalte. Das LLM führt beides zu einer stimmigen Antwort zusammen.

Warum das gerade jetzt zählt

Während Unternehmen von Experimenten zu produktiver KI übergehen, wird Genauigkeit zur Pflicht. Ein Support-Chatbot, der einem Kunden eine unvollständige Bestellhistorie nennt, ist nicht nur wenig hilfreich – er beschädigt das Vertrauen. Ein Betrugserkennungssystem, das nicht alle Konten eines Kunden sieht, hat blinde Flecken, die echtes Geld kosten.

Die Unternehmen, die kundenzentrierte KI richtig hinbekommen, werden jene sein, die in ihr Datenfundament investieren und nicht nur in Modellfähigkeiten. Das ausgefeilteste LLM der Welt kann fragmentierte Eingangsdaten nicht ausgleichen.

IdentityRAG: alles zusammengeführt

Wir haben IdentityRAG als Referenzimplementierung für diese Architektur gebaut. Es ist ein LangChain-Retriever, der Tilores nutzt, um Kundenidentitäten aufzulösen, bevor das LLM eine Antwort erzeugt.

Das Ergebnis: KI-Anwendungen, die wissen, wer Ihre Kunden sind – und nicht nur, welcher Text ihrem Namen ähnelt.

Sehen Sie sich die IdentityRAG-Referenzimplementierung auf GitHub an oder starten Sie mit dem kostenlosen Tarif, um Tilores mit Ihren eigenen Daten auszuprobieren.