Der latente Raum (Latent Space) ist ein mehrdimensionaler mathematischer Vektorraum, in dem ein Machine-Learning-Modell komplexe Rohdaten wie Texte, Bilder, Audio oder Nutzerinteraktionen komprimiert anhand ihrer inhaltlichen Merkmale abbildet.
Erklärung
Während Rohdaten wie Pixelwerte oder Zeichenfolgen direkt kaum Rückschlüsse auf inhaltliche Verwandtschaft zulassen, überführt ein Encoder-Netzwerk jeden Datenpunkt in einen dichten Zahlenvektor (Embedding). Durch das Training ordnet das Modell inhaltlich ähnliche Eingaben räumlich nah beieinander an, messbar etwa über die Kosinus-Ähnlichkeit oder den euklidischen Abstand. Generative Verfahren wie Variational Autoencoders (VAEs) oder Latent-Diffusion-Modelle erzeugen neue Bilder oder Audiodaten direkt in diesem komprimierten Raum, bevor ein Decoder sie in volle Auflösung zurückrechnet. In B2B-Software bildet die Geometrie des latenten Raums die Grundlage für semantische Dokumentensuche in Vektordatenbanken, die automatische Themenclusterung von Support-Tickets, Produktempfehlungen sowie die Erkennung ungewöhnlicher Ausreißer (Anomalieerkennung).