Hopp til innhold
CaseKI og søk

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.

Stian BrendlienDaglig leder i PXL
Publisert
Oppdatert
Lesetid
8 min
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.

Embedding-utforskertext-embedding-3-small
Velg søk
Nærmeste naboer · k = 3
  1. 1stol0,88
  2. 2sofa0,86
  3. 3krakk0,83
Søkevektor
[ 0.021, −0.113, 0.087, 0.004, … ]
1 536 verdier
SøkTreffAndre ord

Likhet er cosinus mellom søkevektoren og ordets vektor. 1 betyr samme mening.

Velg et søk. Ekte vektorer har 1 536 dimensjoner; kartet viser dem projisert til to.

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):

Målt av Meilisearch på 1 million vektorer med 1 536 dimensjoner, uten komprimering.

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.

Eksempel på et søk mot API-et med hybrid søk slått på.

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.
Søkeinnstillingerindexes/products
0,3
Nøkkelord 70 %Mening 30 %
XJ-900
  1. 1XJ-900 hodetelefoner0,89
  2. 2XJ-950 Pro0,52
  3. 3XJ-800 hodetelefoner0,50
Riktig: eksakt delenummer øverst
hvordan fikser jeg dingsen?
  1. 1Produktside: Dings 20,48
  2. 2Brukermanual XJ-9000,40
  3. 3Feilsøking: laderen lader ikke0,33
For bokstavelig: ordet «dings» vinner

Eksempeldata. Samlet score = (1 − ratio) × nøkkelord + ratio × mening.

Dra i glidebryteren og se hvordan rekkefølgen endrer seg for to ulike søk.

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
// 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);
● Hybrid søk i LaravelPHPUTF-8LF

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

Ofte stilte spørsmål

Hva er forskjellen mellom leksikalsk og semantisk søk?

Leksikalsk søk ser etter de samme ordene og tegnene. Søker du «bil», finner du bare dokumenter med ordet «bil». Semantisk søk forstår mening, så et søk på «bil» finner også «kjøretøy» og «personbil». Det tetter det leksikalske gapet, der brukerne og de som skriver innholdet, bruker ulike ord for det samme.

Hva er hybrid søk, og hvorfor er det viktig?

Hybrid søk kombinerer presisjonen i nøkkelordsøk med forståelsen i vektorsøk. Det trengs fordi rent vektorsøk kan bli for løst: et søk på produktnummeret «XJ-900» skal treffe akkurat det produktet, ikke bare lignende produkter.

Hvorfor velge Meilisearch fremfor Elasticsearch?

Meilisearch er skrevet i Rust og laget for søk som vises direkte til brukerne, med oppgitt responstid under 50 ms for søk mens du skriver. Hybrid søk er innebygd, og vektorindeksen ligger på disk, så du trenger mindre minne. Elasticsearch har også hybrid søk, men passer best for logganalyse, store datamengder og komplekse oppsett.

Hva er RAG, og hvordan brukes det med søketeknologi?

RAG (retrieval-augmented generation) kombinerer søk med språkmodeller. Når en bruker stiller et spørsmål, finner søkemotoren de mest relevante dokumentene, og de sendes til språkmodellen som grunnlag for svaret. Det gir svar med kilder og færre oppdiktede svar, men fjerner dem ikke helt.

Fungerer semantisk søk på norsk?

Ja. Moderne embedding-modeller som OpenAIs text-embedding-3, Googles gemini-embedding og Qwen3-Embedding fungerer godt på norsk. Hvilken som er best, avhenger av oppgaven, så test noen få på egne data. Meilisearch håndterer også flerspråklig innhold.

Hvor raskt kan semantisk søk implementeres?

Med Laravel Scout og Meilisearch kan et grunnleggende søk være på plass i løpet av 1–2 uker. Mer avanserte oppsett med hybrid søk, egne embeddings og flere kunder i samme system tar typisk 4–8 uker, avhengig av kompleksitet og datamengde.

Skrevet av

Stian Brendlien

Daglig leder i PXL

Stian har bygget og driftet webplattformer i over 18 år, blant annet 13 år som CTO i Anbudstorget og fem år som innleid tech lead hos GlobalConnect. Han er fullstack-utvikler og den du snakker med om CI/CD, Kubernetes og arkitektur.

Trenger du bedre søk?

Vi bygger semantisk og hybrid søk som forstår hva kundene leter etter, i Laravel, WooCommerce eller som egen tjeneste. Det er uforpliktende å ta kontakt.

  • ArtikkelKI og søk7 min

    KI-forordningen i Norge: hva gjelder, og når?

    KI-forordningen og KI-loven i Norge: status, frister, risikonivåer og krav til chatboter, KI-agenter og KI-kompetanse. Oppdatert etter Digital Omnibus.

  • ArtikkelKI og søk7 min

    RAG forklart: slik svarer KI fra egne dokumenter

    Hva er RAG, og hvordan får du KI til å svare fra egne dokumenter? Embedding-modeller på norsk, Qdrant, Pinecone og pgvector, og hva som kan gå galt.

  • ArtikkelKI og søk7 min

    KI-agenter: hva de er, hva de kan og hva de koster

    Hva er en KI-agent, hva kan den gjøre for bedriften, og hva koster den? Eksempler, priser, modellkostnader og risikoen når agenten får gjøre for mye.

Alle artikler