osrw-info-9abc-SJ25.26
osrw-info-9abc-SJ25.26
Datenbanken 1
Seiteninhalt
Kernaufgaben von Datenbanksystemen ist die Speicherung und Verwaltung von großen Datenbeständen.
Ein Datenbanksystem besteht aus Datenbank und Datenbankmanagementsystem.
Unter einem Datensatz kann man sich eine konkrete Zeile einer Tabelle vorstellen.
Attribute sind Spaltenüberschriften einer Tabelle mit ihrem zulässigen Wertebereich.
Definitionen zum Thema DB
Ein Datenbanksystem: ist eine Kombination aus Datenbankmanagementsystem (DBMS) und Datenbasis. DBMS bezieht sich auf die
Software, die zum Verwalten und Organisieren von Daten verwendet wird, während die Datenbasis die tatsächliche Sammlung von Daten bezeichnet.
Datenbankmanagement-System (DBMS): ist eine Software, die verwendet wird, um eine Datenbank zu erstellen, zu verwalten und darauf zuzugreifen. Ein DBMS ermöglicht es Benutzern, Daten zu speichern, abzurufen, zu aktualisieren und zu löschen
Datenbankschema: beschreibt die Struktur der Datenbank und die Beziehungen zwischen den Tabellen. Es definiert, welche Tabellen in der Datenbank enthalten sind und welche Felder in jeder Tabelle vorhanden sind.
Datenbankmodelle: Es gibt verschiedene Arten von Datenbankmodellen, wie z.B. relationale Datenbankmodelle, hierarchische Datenbankmodelle und objektorientierte Datenbankmodelle. Jedes Modell hat seine eigenen Eigenschaften und Vor- und Nachteile.
Tabelle: ist eine strukturierte Sammlung von Datensätzen. Jede Zeile in einer Tabelle entspricht einem Datensatz, während jede Spalte ein bestimmtes Feld innerhalb des Datensatzes darstellt. Jeder Datensatz in der Tabelle besteht also aus einer Reihe von Datenfeldern.
Datenfeld: ist ein einzelnes Feld in einem Datensatz, das einen bestimmten Datentyp und eine bestimmte maximale Länge hat. Jedes Datenfeld enthält einen bestimmten Wert, der den Inhalt des Feldes darstellt. Beispielsweise enthält das Feld "Name" im Datensatz eines Benutzers den Namen des Benutzers als Zeichenkette. Es kann z.B. den Namen einer Person, eine Adresse oder ein Geburtsdatum
enthalten.
Datentyp: Jedes Datenfeld enthält einen bestimmten Datentyp, der beschreibt, welche Art von Daten in dem Feld gespeichert werden kann. Ein Beispiel für einen Datentyp ist "varchar", der eine Zeichenkette (Text) mit einer bestimmten maximalen Länge speichern kann.
Datensatz: ist eine Sammlung von Datenfeldern, die zusammengehören und eine bestimmte Entität repräsentieren, wie zum Beispiel einen Benutzer oder ein Buch. Jeder Datensatz hat eine eindeutige Identifikationsnummer, um ihn von anderen Datensätzen in derselben Tabelle zu unterscheiden.
Schlüssel: ist ein Feld oder eine Kombination von Feldern, das verwendet wird, um einen bestimmten Datensatz innerhalb einer Tabelle eindeutig zu identifizieren. Oft wird hier eine automatisch vergebene ID verwendet.
Beziehungen (Relation): beschreiben, wie Tabellen in einer Datenbank miteinander verknüpft sind. Beziehungen werden durch gemeinsame Felder oder Schlüssel zwischen den Tabellen definiert.
Abfragen: ist eine Anforderung an die Datenbank, um bestimmte Daten zu finden oder zu aktualisieren. Abfragen werden in der Regel mit einer speziellen Abfragesprache, wie z.B. SQL, formuliert.
Datenintegrität: bezieht sich auf die Richtigkeit und Konsistenz der Daten in einer Datenbank. Sie kann durch Regeln und Einschränkungen wie z.B. Primärschlüssel, Fremdschlüssel und eindeutige Indizes sichergestellt werden.
Normalisierung: ist ein Prozess, um die Struktur einer Datenbank zu optimieren und Redundanzen zu minimieren. Dabei werden Daten in mehrere Tabellen aufgeteilt, um Abhängigkeiten und Redundanzen zu reduzieren.
Big Data & KI - neue Datenbanksysteme
Big Data bezieht sich auf die Verarbeitung und Analyse großer Datensammlungen, die traditionelle Datenverarbeitungssoftware überfordern würde.
Automatisierte Datenbeschaffung bezieht sich auf die Verwendung von Algorithmen und KI-Technologien, um Daten aus verschiedenen Quellen zu sammeln und zu verarbeiten.
Eine Vektordatenbank ist ein spezielles Datenbanksystem, das darauf ausgelegt ist, hochdimensionale Vektoren zu speichern, zu verwalten und abzufragen. Diese Vektoren sind numerische Darstellungen (sogenannte Vektoreinbettungen oder Embeddings) von Daten wie Texten, Bildern, Audio oder anderen unstrukturierten Daten, die durch maschinelles Lernen oder KI-Modelle generiert werden. Im Gegensatz zu traditionellen Datenbanken, die strukturierte Daten in Tabellen speichern, arbeiten Vektordatenbanken mit mathematischen Vektoren, um Ähnlichkeiten zwischen Datenobjekten effizient zu finden.
Hauptmerkmale einer Vektordatenbank:
- Speicherung von Vektoreinbettungen: Daten wie Texte oder Bilder werden durch KI-Modelle in Vektoren umgewandelt, die deren Bedeutung oder Eigenschaften kodieren (z. B. „Sushi“ und „Pasta“ könnten ähnliche Vektoren haben, da sie beide Essen repräsentieren).
- Ähnlichkeitssuche: Vektordatenbanken ermöglichen schnelle Suchen nach ähnlichen Objekten basierend auf Metriken wie Kosinus-Ähnlichkeit oder euklidischer Abstand. Dies ist besonders nützlich für Anwendungen wie semantische Suche, Empfehlungssysteme oder Bilderkennung.
- Effiziente Algorithmen: Sie nutzen Algorithmen wie Approximate Nearest Neighbor (ANN), Hierarchical Navigable Small World (HNSW) oder Locality-Sensitive Hashing (LSH), um große Datenmengen schnell zu durchsuchen.
- Unterstützung unstrukturierter Daten: Vektordatenbanken eignen sich hervorragend für unstrukturierte Daten (z. B. Bilder, Videos, Texte), die in traditionellen relationalen Datenbanken schwer zu verarbeiten sind.
Vektordatenbanken sind flexibel und können theoretisch jedes Datenformat verarbeiten, das in einen Vektor umgewandelt werden kann. Die gängigsten Formate sind Text, Bilder, Audio und Video, ergänzt durch strukturierte Daten wie JSON oder CSV für Metadaten. Die Umwandlung in Vektoren erfolgt durch spezialisierte KI-Modelle, die auf den jeweiligen Datentyp abgestimmt sind.
Anwendungsbeispiele:
- Semantische Suche: Finden von Texten oder Dokumenten, die inhaltlich ähnlich sind, auch wenn sie unterschiedliche Wörter verwenden.
- Empfehlungssysteme: Vorschlagen ähnlicher Produkte in Online-Shops basierend auf Benutzerpräferenzen.
- Generative KI: Bereitstellung einer Wissensbasis für Chatbots, um präzise und kontextbezogene Antworten zu geben und Halluzinationen zu vermeiden.
- Bild- und Audioerkennung: Suchen nach visuell oder akustisch ähnlichen Inhalten.
Vorteile:
- Schnelligkeit: Blitzschnelle Ähnlichkeitssuchen, auch bei großen Datenmengen.
- Kontextverständnis: Erkennt semantische Zusammenhänge, nicht nur exakte Übereinstimmungen.
- Vielseitigkeit: Kann verschiedene Datenformate (Text, Bilder, Audio) verarbeiten.
Herausforderungen:
- Komplexität der Vektorisierung: Die Umwandlung von Daten in Vektoren erfordert leistungsstarke Einbettungsmodelle.
- Ressourcenbedarf: Hochdimensionale Vektoren können speicher- und rechenintensiv sein.
Zusatz - zum näheren Verständniss: