Startseite > Lexikon > KI im Marketing > Skalarprodukt

Bleistiftskizze: Zwei Spalten aus je drei Quadraten, Pfeile führen in einen Trichter, aus dem eine orange Münze fällt, als Bild für das Skalarprodukt
KI im Marketing

Skalarprodukt

Zwei Zahlenreihen rein, eine Zahl raus. Das Skalarprodukt klingt nach Mathe-Unterricht, steckt aber in jeder semantischen Suche, jeder Produktempfehlung und im Herzen von ChatGPT.

Auch bekannt alsDot ProductPunktproduktInneres Produkt

5 Min

Lesezeit

21.11.2026

Letzte Aktualisierung

Was ist das Skalarprodukt?

Wie vergleicht eine Maschine zwei Texte? Sie kann nicht lesen, sie kann nur rechnen. Also verwandelt sie jeden Text in eine Zahlenreihe, ein sogenanntes Embedding — und vergleicht die Reihen. Der wichtigste Rechenschritt dafür ist das Skalarprodukt.

Das Skalarprodukt nimmt zwei Vektoren gleicher Länge und macht daraus eine einzige Zahl, einen Skalar. Daher der Name. Auf Englisch heißt es Dot Product, nach dem Malpunkt, mit dem man es schreibt. Andere Namen sind Punktprodukt oder inneres Produkt.

Geometrisch steckt darin zweierlei: wie lang die beiden Vektoren sind und in welche Richtung sie zeigen. Pinecone, ein Anbieter von Vektordatenbanken, fasst zusammen: Das Ergebnis ist positiv, wenn die Vektoren in ähnliche Richtung zeigen, negativ bei entgegengesetzter Richtung und null, wenn sie im rechten Winkel zueinander stehen.

Wie wird es berechnet?

Formel

a · b = a₁·b₁ + a₂·b₂ + … + aₙ·bₙ

Beispiel: (1, 2, 3) · (4, 5, 6) = 4 + 10 + 18 = 32

Werte an gleicher Stelle multiplizieren, Ergebnisse addieren. Mehr ist es nicht. In Excel macht das die Funktion SUMMENPRODUKT, wenn du ihr zwei gleich große Bereiche gibst.

Die zweite Schreibweise verrät, warum das für Ähnlichkeit taugt: a · b = Länge von a × Länge von b × Kosinus des Winkels. Teilst du das Skalarprodukt durch beide Längen, bleibt nur der Kosinus übrig — die Kosinus-Ähnlichkeit.

Beispiel A · nicht normiert

Die rohe Zahl täuscht

32

Skalarprodukt

0,975

Kosinus

Erst der Kosinus zeigt: fast dieselbe Richtung

Eigene Rechnung mit (1, 2, 3) und (4, 5, 6): 32 ÷ (√14 × √77) ≈ 0,975.

Beispiel B · normiert

Beide Vektoren haben Länge 1

(0,6 | 0,8)

Vektor a

(0,8 | 0,6)

Vektor b

0,48 + 0,48 = 0,96 — direkt der Kosinus

Eigene Rechnung. Bei Länge 1 sind Skalarprodukt und Kosinus-Ähnlichkeit identisch.

Wo das Skalarprodukt in der KI steckt

Vektorsuche und Empfehlungen

OpenAI liefert seine Embeddings auf Länge 1 normiert. Deshalb lässt sich die Kosinus-Ähnlichkeit laut OpenAI etwas schneller einfach per Skalarprodukt rechnen. pgvector, die Vektor-Erweiterung für PostgreSQL, rät genau dazu: Bei normierten Vektoren wie denen von OpenAI das innere Produkt nehmen, für die beste Leistung. Microsoft schreibt für Azure AI Search dasselbe: bei normierten Vektoren identisch mit Kosinus, nur etwas schneller.

Attention in Sprachmodellen

Das Herz von ChatGPT, Claude und Co. ist der Transformer aus dem Google-Paper „Attention Is All You Need“ von 2017. Sein Kernbaustein heißt wörtlich Scaled Dot-Product Attention: Für jedes Wort rechnet das Modell Skalarprodukte mit allen anderen Wörtern und entscheidet so, welche für die Bedeutung gerade wichtig sind. Die Autoren wählten das Skalarprodukt, weil es sich als Matrixrechnung besonders schnell und sparsam ausführen lässt.

Das „scaled“ hat einen Grund: Bei langen Vektoren werden die Skalarprodukte groß, und das Training gerät ins Stocken. Deshalb teilt das Modell durch die Wurzel der Vektorlänge, im ursprünglichen Basismodell durch √64 = 8.

Häufige Fehler

Fehler 1 · Rohe Skalarprodukte als Ähnlichkeit lesen

Ohne Normierung gewinnt der längere Vektor, auch wenn die Richtung schlechter passt. Google beschreibt das für Empfehlungssysteme: Häufige Artikel haben lange Vektoren und werden per Skalarprodukt öfter empfohlen. Gewollt, wenn Beliebtheit zählen soll. Sonst nimmst du lieber Kosinus.

Fehler 2 · Annehmen, alle Embeddings seien normiert

OpenAI normiert, Google bei gemini-embedding-001 nur in der vollen Größe von 3.072 Werten. Wer kürzere Vektoren nutzt, muss laut Google selbst normieren. Elasticsearch verlangt für seine dot_product-Einstellung sogar ausdrücklich Vektoren der Länge 1.

Fehler 3 · Bei pgvector das Vorzeichen vergessen

Der Operator „<#>“ liefert das negative Skalarprodukt, weil PostgreSQL Indizes nur aufsteigend sortiert. Kleinere Werte heißen also ähnlicher. Willst du den echten Wert anzeigen, mal minus eins.

Häufige Fragen

Was ist der Unterschied zwischen Skalarprodukt und Kosinus-Ähnlichkeit?

Die Kosinus-Ähnlichkeit ist das Skalarprodukt geteilt durch die Längen beider Vektoren. Sie misst also nur die Richtung. Haben beide Vektoren die Länge 1, sind die beiden Werte identisch.

Welche Metrik soll ich in meiner Vektordatenbank wählen?

Bei normierten Embeddings wie denen von OpenAI ist das Ergebnis mit Kosinus, Skalarprodukt und euklidischer Distanz gleich. Das Skalarprodukt ist dann am schnellsten. Bei nicht normierten Vektoren meist Kosinus.

Warum liefert pgvector beim inneren Produkt negative Werte?

Weil PostgreSQL Indizes nur in aufsteigender Reihenfolge durchsucht. Das negative Skalarprodukt sorgt dafür, dass die ähnlichsten Treffer zuerst kommen. Für den echten Wert multiplizierst du mit minus eins.

Was hat das Skalarprodukt mit ChatGPT zu tun?

Sehr viel. Der Transformer, auf dem ChatGPT beruht, nutzt Scaled Dot-Product Attention: Für jedes Wort berechnet er Skalarprodukte mit allen anderen Wörtern, um zu entscheiden, welche gerade wichtig sind.

Wie rechne ich ein Skalarprodukt in Excel?

Mit SUMMENPRODUKT. Du gibst zwei gleich große Bereiche an, Excel multipliziert die Werte paarweise und addiert sie. Haben die Bereiche unterschiedliche Größen, kommt der Fehler #WERT!.

Begriff teilenHat dir die Definition geholfen? Schick sie weiter.