Projektbeschreibung
ÜbersetztWir haben eine große Inhaltsbibliothek – Produktkatalog, Hilfsartikel und interne Dokumente – und unsere aktuelle Schlüsselwortsuche versagt ständig. Sie findet genaue Wörter, versteht aber nicht die Bedeutung: Ein Kunde schreibt 'kann mich nicht einloggen' und wir finden den Artikel 'Fehlerbehebung bei Autorisierungsproblemen' nicht, weil die Formulierung nicht übereinstimmt. Synonyme, Paraphrasen und verschiedene Schreibweisen rutschen einfach durch, und der Support wird mit Fragen überflutet, deren Antworten bereits auf der Seite stehen. Wir benötigen eine Suche, die die Absicht versteht, nicht nur wörtliche Wörter.
Wir suchen einen Ingenieur, der ein semantisches (Vektor-)Suchsystem auf der Grundlage unserer bestehenden Inhalte aufbaut. Das bedeutet: Embeddings für jedes indizierte Objekt generieren, diese Vektoren in einer geeigneten Vektordatenbank speichern und Abfragen über eine klare API bereitstellen, die unsere Anwendungen aufrufen können. Wir erwarten hybrides Ranking, das klassisches Schlüsselwort-Matching mit Vektorsimilarität kombiniert – sodass exakte Übereinstimmungen oben bleiben, wenn es angebracht ist, aber semantisch nahe Ergebnisse aufsteigen, wenn sich die Formulierung unterscheidet. Relevanzanpassung ist uns wichtig: Wir wollen echte Abfragelogs analysieren, Gewichte und Schwellenwerte anpassen und messen, ob die besten Ergebnisse tatsächlich besser sind.
Um klarzustellen, was den Umfang betrifft: Dies ist ein Such- und Rankingsystem, kein Chatbot – einen generativen Assistenten, der seine eigenen Antworten schreibt, benötigen wir nicht. Wir benötigen bedeutungsbewusstes Ranking, eine dokumentierte API, eine Indizierungspipeline, die Embeddings aktuell hält, während sich der Inhalt ändert, und eine Empfehlung, welches Embedding-Modell und welcher Vektorspeicher zu unserem Volumen und Budget passen.
Was wir erhalten möchten:
— eine Embedding-Pipeline für Katalog und Dokumente;
— eine Vektordatenbank mit hybridem Ranking (Schlüsselwörter + Vektoren);
— eine Such-API mit Filtern, Paginierung und Relevanzkontrolle.
Wir suchen einen Ingenieur, der ein semantisches (Vektor-)Suchsystem auf der Grundlage unserer bestehenden Inhalte aufbaut. Das bedeutet: Embeddings für jedes indizierte Objekt generieren, diese Vektoren in einer geeigneten Vektordatenbank speichern und Abfragen über eine klare API bereitstellen, die unsere Anwendungen aufrufen können. Wir erwarten hybrides Ranking, das klassisches Schlüsselwort-Matching mit Vektorsimilarität kombiniert – sodass exakte Übereinstimmungen oben bleiben, wenn es angebracht ist, aber semantisch nahe Ergebnisse aufsteigen, wenn sich die Formulierung unterscheidet. Relevanzanpassung ist uns wichtig: Wir wollen echte Abfragelogs analysieren, Gewichte und Schwellenwerte anpassen und messen, ob die besten Ergebnisse tatsächlich besser sind.
Um klarzustellen, was den Umfang betrifft: Dies ist ein Such- und Rankingsystem, kein Chatbot – einen generativen Assistenten, der seine eigenen Antworten schreibt, benötigen wir nicht. Wir benötigen bedeutungsbewusstes Ranking, eine dokumentierte API, eine Indizierungspipeline, die Embeddings aktuell hält, während sich der Inhalt ändert, und eine Empfehlung, welches Embedding-Modell und welcher Vektorspeicher zu unserem Volumen und Budget passen.
Was wir erhalten möchten:
— eine Embedding-Pipeline für Katalog und Dokumente;
— eine Vektordatenbank mit hybridem Ranking (Schlüsselwörter + Vektoren);
— eine Such-API mit Filtern, Paginierung und Relevanzkontrolle.
Softwareentwicklung Bargeld, Banküberweisung
