Semantisk søk og intensjonsbaserte systemer
Hva er semantisk søk? Slik fungerer vektorsøk og hybrid søk i Meilisearch, hva det gir nettbutikker og chatboter, og hvordan vi bygger det i Laravel.
- Publisert
- Oppdatert
- Lesetid
- 8 min
WaterShield Pro TrailNorheim1 890 kr97 %
AllWeather MarathonStormTech1 450 kr94 %
UltraGrip Storm RunnerNorheim2 250 kr91 %
AquaFlex RacerRunLab1 680 kr87 %
komfortable→God dempingvanntette→Vanntette materialerløpesko→Terreng & asfaltregn→Gore-Tex / tettede sømmer- Responstid
- 38ms
- Relevans
- 94%
- Produkter indeksert
- 847K
- responstid Meilisearch oppgir for søk mens du skriver
- <50 ms
- raskere vektorsøk med Hannoy i Meilisearchs egen test
- 7×
- flere søk som endte med kjøp hos Bookshop.org
- +43 %
- semanticRatio for nettbutikk og supportbot
- 0,3–0,9
Kort fortalt
- Semantisk søk gjør tekst om til vektorer og finner treff etter mening, så et søk på «noe å sitte på» også gir stol og krakk.
- Hybrid søk i Meilisearch kombinerer nøkkelordsøk og vektorsøk, slik at eksakte treff som delenummer bevares mens synonymer og skrivefeil fanges opp.
- Meilisearch er skrevet i Rust, har vektorsøk innebygd og kobles til Laravel via Scout eller til WooCommerce via API.
Fra nøkkelord til intensjon
Semantisk søk forstår hva brukeren mener, i stedet for bare å se etter de samme ordene. Teksten gjøres om til vektorer (embeddings), og systemet finner treffene som ligger nærmest i mening, slik at et søk på «noe å sitte på» også gir «stol» og «krakk». Meilisearch, som er skrevet i Rust, har vektorsøk innebygd og kan kombinere det med vanlig nøkkelordsøk i samme forespørsel.
Lenge har søk på nett handlet om å finne de samme tegnene. Skriver brukeren et ord, leter systemet etter nøyaktig den tegnrekken i databasen. Det er raskt, men systemet forstår ikke hva ordene betyr. Det kommer til kort når kunden og nettbutikken bruker ulike ord for samme ting, eller når et ord betyr forskjellige ting i ulike sammenhenger.
Da får kunden en tom side selv om varen finnes, bare fordi kunden brukte «feil» ord. I USA anslo Google Cloud og Harris Poll at mislykkede søk koster netthandelen over 300 milliarder dollar i året, og 76 % av de spurte sa at et mislykket søk hadde kostet butikken et salg (Google Cloud, 2021).
Semantisk søk og vektordatabaser var lenge forbeholdt de største selskapene. I dag er teknologien hyllevare og brukes i alt fra nettbutikksøk til chatboter og anbefalinger.
I denne casen ser vi på hvordan semantisk søk fungerer, med Meilisearch som eksempel, og hvordan vi bygger det med rammeverk som Laravel.
Fra ord til mening
For å forstå hva semantisk søk løser, må vi først se på hvor tradisjonelt søk kommer til kort.
Det leksikalske gapet
Tradisjonelle søkemotorer bruker en invertert indeks. Søker du etter «bil», leter motoren etter nøyaktig den bokstavkombinasjonen. Står det bare «kjøretøy» i et dokument, finner søket det ikke. Det kalles det leksikalske gapet.
I en nettbutikk koster det salg. En kunde som søker etter «varm vinterjakke», får kanskje ingen treff på en «fôret parkas», selv om det er akkurat det kunden leter etter. Med vanlig søk må kunden gjette hvilke ord produktteksten bruker. Semantisk søk tar bort den gjettingen.
Vektorer: språk som geometri
Løsningen er vektorer, også kalt embeddings. Maskinlæringsmodeller som OpenAIs text-embedding-3 gjør tekst, bilder eller lyd om til lange tallrekker. Hvilke modeller som fungerer best på norsk, har vi sammenlignet i RAG forklart.
Se for deg et enormt kart med mange dimensjoner. «Katt» og «hund» havner tett sammen fordi de har mye til felles: kjæledyr, fire bein og pels. «Bil» havner i et helt annet nabolag.
Når en bruker søker, blir spørsmålet et punkt på det samme kartet, og systemet finner punktene som ligger nærmest (nearest neighbor search). Derfor gir et søk på «noe å sitte på» både «stol», «sofa» og «krakk», uten at noen har lagt inn synonymer for hånd.
- 1stol0,88
- 2sofa0,86
- 3krakk0,83
1 536 verdier
Likhet er cosinus mellom søkevektoren og ordets vektor. 1 betyr samme mening.
Meilisearch: arkitektur bygget for fart
Meilisearch er en søkemotor laget for søk som vises direkte til brukerne. Den største konkurrenten, Elasticsearch, er skrevet i Java og brukes mye til logganalyse og store datamengder, men har også eget vektorsøk og hybrid søk (Elastic). Meilisearch er skrevet i Rust og laget for én ting: raske og relevante treff.
Hvorfor Meilisearch?
Rust og jevn ytelse. Meilisearch kjører ikke i Javas virtuelle maskin og slipper pausene som minnehåndteringen der kan gi. Meilisearch oppgir svar på under 50 millisekunder mens brukeren skriver (Meilisearch).
Hybrid søk i samme motor. Vektorsøket er bygget inn i Meilisearch, så du slipper å drifte ett system for tekst og ett for vektorer. Samme forespørsel kan kombinere nøkkelordtreff og treff etter mening.
Vektorer på disk i stedet for i minnet. Mange vektordatabaser må ha hele indeksen i minnet for å være raske nok. Meilisearchs vektorlager, Hannoy, lagrer grafen på disk i stedet for i RAM (Meilisearch). Det gjør store datasett billigere å drifte.
Fra trær til grafer
Meilisearch byttet i 2025 vektorlageret fra Arroy, som bygger på trær, til Hannoy, som er en grafbasert HNSW-implementasjon. Hannoy har vært standard siden versjon 1.29 i desember 2025. I Meilisearchs egen test på 1 million vektorer med 1 536 dimensjoner gikk indekseringen fra 956 til 153 sekunder og søket fra 228 til 31 millisekunder (Meilisearch, 2025):
Med komprimerte vektorer gikk søketiden helt ned til 13 millisekunder. For søk som oppdateres mens brukeren skriver, er forskjellen på 230 og 30 millisekunder godt merkbar.
Hybrid søk: presisjon og forståelse
Rent vektorsøk kan bli for løst. Søker en kunde etter delenummeret «XJ-900», kan vektorsøket gi «XJ-800» fordi produktene ligner hverandre. Da er presisjon viktigere enn forståelse, og det er derfor du trenger hybrid søk.
Slik slås resultatene sammen
Meilisearch kjører nøkkelordsøket og vektorsøket og slår resultatene sammen ut fra vektede poeng: poengene fra nøkkelordsøket teller med 1 minus semanticRatio, og poengene fra vektorsøket med semanticRatio (Meilisearch). Nøkkelordsøket bygger ikke på BM25, men på Meilisearchs egne rangeringsregler (Meilisearch).
Fordi Meilisearch slår sammen poeng, beholder den informasjonen om hvor godt hvert treff var. Andre metoder, som Reciprocal Rank Fusion (RRF), ser bare på plasseringen i hver liste. Elasticsearch og OpenSearch tilbyr i dag begge deler.
// forespørsel { "q": "varm vinterjakke", "hybrid": { "semanticRatio": 0.5, "embedder": "default" }, "showRankingScore": true }
Treffer ordene i tittel og beskrivelse.
Treffer produkter som betyr det samme, også uten ordene.
- #ProduktOrdMeningSamlet
- 1Dunjakke, vinter1,000,920,96
- 2Parkas med fôr0,840,970,91
- 3Ulljakke, vinter0,910,830,87
- 4Lett vinterjakke0,720,780,75
Beholder hvor godt hvert treff var. Parkasen er nesten perfekt på mening og går forbi ulljakken.
Ser bare på plasseringen i hver liste. Hvor stor avstanden var, går tapt.
semanticRatio: du bestemmer blandingen
Parameteren semanticRatio går fra 0,0 (bare nøkkelordsøk) til 1,0 (bare vektorsøk), med 0,5 som standard. Slik kan du tilpasse blandingen til bruksområdet:
- Nettbutikk (for eksempel 0,3): Produktnavn og spesifikasjoner er ofte viktigst. En lav verdi gir treff på ordene kunden skrev, men fanger fortsatt opp synonymer og skrivefeil.
- Supportbot (for eksempel 0,9): Brukerne stiller ofte vage spørsmål, som «hvordan fikser jeg dingsen?». En høy verdi lar vektorsøket tolke hva de mener, i stedet for å lete etter de samme ordene. Den beste verdien finner vi gjerne med A/B-tester.
- 1XJ-900 hodetelefoner0,89
- 2XJ-950 Pro0,52
- 3XJ-800 hodetelefoner0,50
- 1Produktside: Dings 20,48
- 2Brukermanual XJ-9000,40
- 3Feilsøking: laderen lader ikke0,33
Eksempeldata. Samlet score = (1 − ratio) × nøkkelord + ratio × mening.
Bruksområder og kommersiell verdi
Her er tre områder der søk etter mening gir målbar gevinst: mer salg, lavere kostnader og mer fornøyde kunder.
Nettbutikk: færre søk uten treff
Baymard Institute fant i 2026 at 56 % av store nettbutikker har middels eller dårligere søk, og at 43 % håndterer søk etter bruksområde dårlig, for eksempel «jakke til fjelltur» i stedet for bare «jakke» (Baymard, 2026). Samtidig er de som søker, de mest kjøpelystne: i Constructors data sto de for 24 % av de besøkende, men 44 % av omsetningen, og konverterte 2,5 ganger så godt som de andre (Constructor, 2024). Constructor selger søkeløsninger.
- Bookshop.org: Nettbokhandelen byttet fra Elasticsearch til Meilisearch i 2023. Andelen søk som endte med kjøp, økte fra 14 til 20 %, en økning på 43 % (Meilisearch, 2023). Det var et bytte av søkemotor, ikke av søketeknologi: semantisk søk var ikke en del av det.
- Etsy: Etsy tok i bruk søk basert på embeddings, der søket og produktene beskrives som vektorer. Kjøpsraten fra søk økte med 5,58 % og konverteringen på hele nettstedet med 2,63 % (Etsy, 2023).
RAG: KI som svarer fra egne data
Med Retrieval-Augmented Generation (RAG) søker en språkmodell som ChatGPT, Gemini eller Claude i bedriftens egne data før den svarer. Det gir færre oppdiktede svar og svar med kilder. Hvordan en RAG-løsning bygges steg for steg, har vi skrevet om i RAG forklart.
- Morningstar: Finansselskapet lanserte i 2023 «Mo», en assistent for investorer og rådgivere. Mo henter fram Morningstars egne analyser og vurderinger, sender dem til språkmodellen og kontrollerer svaret før det vises (Morningstar, 2023).
- Klarna: Klarnas KI-assistent, bygget på OpenAI og koblet til Klarnas egne data, håndterte 2,3 millioner samtaler den første måneden i 2024, to tredjedeler av alle henvendelsene (Klarna, 2024). I mai 2025 innrømmet konsernsjefen at de hadde lagt for mye vekt på kostnader og at kvaliteten hadde falt, og Klarna begynte å ansette folk i kundeservice igjen (CX Dive, 2025). Lærdommen er at kvalitet må måles like nøye som kostnad.
Anbefalinger for nye produkter
Tradisjonelle anbefalinger («kunder som kjøpte denne, kjøpte også …») bygger på historikk. De fungerer dårlig for nye produkter, et problem som kalles cold start. Vektorsøk løser det ved å se på selve produktet, som bilde, tekst og egenskaper, i stedet for på hva brukerne har gjort.
I Meilisearch finner endepunktet /similar, som kom i versjon 1.9 i 2024, lignende dokumenter ut fra vektorene (Meilisearch). En nettbutikk kan dermed vise «lignende produkter» for en vare som ble lagt inn for fem minutter siden, uten å vente på klikkdata.
Teknisk implementering
1. Egenutviklet i Laravel og PHP
Vi jobber mye med Laravel, og der er integrasjonen enkel. Med Laravel Scout har vi full kontroll på søkelogikken i koden og kan tilpasse hybrid søk til behovene dine.
Eksempel: hybrid søk slått på
Hybrid søk i Laravel er raskt å sette opp, men krever litt mer enn standardoppsettet for å få med vektordelen. Her vekter vi nøkkelord og mening likt (0,5):
// ProductController.php - Eksempel på søk med Laravel Scout$results = Product::search($userQuery, function ($meilisearch, $query, $options) { // Aktiver hybrid søk med 50/50 balanse $options['hybrid'] = [ 'semanticRatio' => 0.5, 'embedder' => 'default' ]; return $meilisearch->search($query, $options);})->paginate(20);Slik slår vi på hybrid søk med Laravel Scout og Meilisearch, med lik vekt på nøkkelordsøk og vektorsøk.
2. WordPress og WooCommerce
For nettbutikker på WooCommerce handler det om å flytte søket ut av databasen. Standardsøket i WordPress belaster databasen tungt og gir ofte irrelevante treff.
Vi setter opp Meilisearch som egen søkemotor ved siden av nettbutikken og kobler oss rett på API-et, så databasen slipper søkene. Det gir raskere søk, stavekontroll («mente du …?») og søk etter mening, funksjoner som ellers krever langt tyngre plattformer.
3. Som egen tjeneste
I større systemer kjører vi ofte Meilisearch som en egen tjeneste. Da kan en mobilapp og en nettside bruke den samme søkemotoren. Meilisearch har et vanlig API, så frontenden kan bygges i Vue, React eller Next.js mens backend håndterer dataene.
Sikkerhet: tenant tokens
Uansett plattform er datasikkerhet viktig, særlig i SaaS-løsninger der kunde A aldri skal kunne søke i dataene til kunde B.
Meilisearch løser dette med tenant tokens. I stedet for å gi frontenden full tilgang lager backend en signert, kortlivet nøkkel med faste regler, for eksempel tenant_id = 1. Meilisearch sørger da for at søket bare skjer i denne kundens data (Meilisearch).
Multimodalt søk: søk med bilder
Søkefeltet er ikke lenger begrenset til tekst. Meilisearch fikk støtte for multimodalt søk i versjon 1.16 i august 2025, slik at tekst og bilder kan søkes i sammen (Meilisearch, 2025).
Det løser et klassisk problem i netthandel: hvordan beskriver du en stil med ord?
- Bildet: En bruker laster opp et bilde av en stol brukeren liker, men som er for dyr eller har feil farge.
- Vektoren: En KI-modell som forstår bilder, gjør det visuelle uttrykket om til en vektor.
- Treffene: Meilisearch finner produktene som ligner mest i form, stil og uttrykk, uansett hva de heter.
Det gir nye muligheter innen mote, interiør og eiendom, der det visuelle ofte veier tyngre enn de tekniske detaljene.
Kort oppsummert
Semantisk søk forstår hva brukeren mener, også når brukeren staver feil, bruker et synonym eller skriver på et annet språk. Med verktøy som Meilisearch kan norske bedrifter få søk på høyde med de store internasjonale aktørene, til en brøkdel av prisen og kompleksiteten.
Vi har lang erfaring med systemarkitektur og moderne webutvikling, og kombinerer det med KI og søketeknologi. Verktøyene tilpasser vi til plattformen du bruker i dag, og søket vi bygger, forstår kundene dine.
Kilder og videre lesning
- From trees to graphs: speeding up vector search 10x with Hannoy, Meilisearch 2025
- Hybrid search og ranking, Meilisearch-dokumentasjonen
- Ecommerce search UX: query types, Baymard Institute 2026
- Beyond Relevance, Constructor 2024
- Search abandonment impacts retail sales, Google Cloud 2021
- Unified embedding based personalized retrieval in Etsy search, Etsy 2023
- Bookshop.org increases search-based purchases, Meilisearch 2023


