Was ist Retrieval-Augmented Generation (RAG)?
Retrieval-Augmented Generation (RAG) verbindet zwei Schritte: Retrieval, das die relevantesten Informationen aus einer vertrauenswürdigen Quelle findet, und Generation, bei der ein Sprachmodell mit diesen Informationen eine Antwort schreibt. Der Begriff stammt aus einem Forschungspapier von 2020 und ist seither ein gängiger Weg, um KI-Assistenten auf Unternehmenswissen aufzubauen.
Ohne Retrieval antwortet ein Sprachmodell aus Mustern, die es im Training gelernt hat. Diese können veraltet sein oder Ihr Unternehmen schlicht nicht abdecken. RAG gibt dem Modell im Moment der Frage das richtige Material an die Hand.
Wie funktioniert RAG?
- Quellen vorbereiten. Dokumente oder Datensätze werden indexiert, damit sie durchsucht werden können, oft nach Bedeutung statt nach exaktem Wortlaut.
- Abrufen. Kommt eine Frage herein, findet das System die dafür relevantesten Passagen oder Datensätze.
- Anreichern. Die abgerufenen Inhalte werden zusammen mit der Frage in die Eingabe des Modells aufgenommen.
- Generieren. Das Modell schreibt auf Basis dieser Inhalte eine Antwort und nennt idealerweise, woher sie stammen.
Was ist ein Beispiel für Retrieval-Augmented Generation?
Antworten aus den Markenrichtlinien
Ein Texter fragt einen internen Assistenten, ob ein Produkt in einem bestimmten Markt als „umweltfreundlich“ bezeichnet werden darf. Ohne Retrieval gibt das Modell allgemeine Ratschläge.
Mit RAG ruft der Assistent zuerst den relevanten Abschnitt der Marken- und Rechtsrichtlinien des Unternehmens ab, antwortet dann auf dieser Grundlage und verlinkt die Quelle, damit der Texter sie prüfen kann.
RAG vs. Fine-Tuning vs. Semantic Layer
Diese Ansätze lösen unterschiedliche Probleme und werden oft gemeinsam eingesetzt.
| RAG | Fine-Tuning | Semantic Layer | |
|---|---|---|---|
| Funktion | Liefert dem Modell zum Zeitpunkt der Frage relevante Inhalte | Trainiert das Modell anhand von Beispielen neu | Definiert, was Geschäftsdaten und Kennzahlen bedeuten |
| Am besten für | Dokumente, Richtlinien, Wissen | Stil, Format, spezialisierte Aufgaben | Konsistente numerische Antworten aus Geschäftsdaten |
| Hält Antworten aktuell | Ja, sobald die Quellen aktualisiert werden | Erst nach erneutem Training | Ja, liest live kontrollierte Daten |
| Zeigt Quellen | Kann abgerufene Passagen zitieren | Nein | Führt Zahlen auf ihre Quelle zurück |
Warum ist RAG wichtig, und wo liegen seine Grenzen?
- Genauere Antworten. Die Verankerung in vertrauenswürdigen Quellen reduziert erfundene Fakten.
- Aktuelle Informationen. Antworten spiegeln die neuesten Dokumente wider, ohne dass ein Modell neu trainiert werden muss.
- Überprüfbare Ergebnisse. Antworten können auf die Quellen verweisen, die sie genutzt haben.
- Grenzen bei Zahlen. Text abzurufen ist etwas anderes, als Kennzahlen korrekt zu berechnen. Für Performance-Daten braucht KI zusätzlich kontrollierte Daten und gemeinsame Definitionen.
- Gute Quellen, gute Antworten. Sind die abgerufenen Inhalte falsch oder veraltet, ist es die Antwort auch.
Wie setzt Alli das um?
Ask Alli, Teil von Alli by PMG, stützt seine Antworten auf Ihre kontrollierten Daten statt auf Allgemeinwissen. Jede Anfrage wird über die gemeinsamen Definitionen im Alli Semantic Layer aufgelöst: Die Frage wird den kontrollierten Kennzahlen, Dimensionen und Geschäftsregeln zugeordnet, auf die sich Ihre Teams bereits geeinigt haben.
Jede Antwort ist nachvollziehbar: Sie sehen die Daten, die Logik und die Quelle dahinter. Da jedes Alli-Produkt auf dieselbe kontrollierte Grundlage zugreift, stimmt eine Antwort in Ask Alli mit den Dashboards und Berichten überein, die auf denselben Daten aufbauen.
Ask Alli entdeckenFAQ zu Retrieval-Augmented Generation
Wofür steht RAG?
RAG steht für Retrieval-Augmented Generation: Zuerst werden relevante Informationen abgerufen, dann wird daraus eine Antwort erzeugt.
Verhindert RAG KI-Halluzinationen?
RAG verringert sie, indem Antworten auf vertrauenswürdigen Quellen beruhen, beseitigt sie aber nicht. Quellen anzuzeigen und Menschen einzubinden bleibt wichtig.
Was ist der Unterschied zwischen RAG und Fine-Tuning?
RAG liefert relevante Informationen im Moment der Frage. Fine-Tuning trainiert das Modell mit Beispielen nach, um sein Verhalten zu ändern. Um Antworten aktuell zu halten, ist RAG meist die bessere Wahl.
Reicht RAG für Analysen von Geschäftsdaten aus?
Allein nicht. Zahlen müssen einheitlich berechnet werden. Dafür braucht es neben dem Abruf kontrollierte Daten und gemeinsame Kennzahlendefinitionen, etwa einen Semantic Layer.
Zuletzt aktualisiert am Zurück zum Glossar