Praktische Anwendung von RAG für die Produktion (German Edition)

Kapitel 9. Wissensgestütztes RAG

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

RAG hat die Art und Weise, wie wir an die Informationsgewinnung herangehen, grundlegend verändert. Wir haben die starre Welt des Keyword-Matching hinter uns gelassen und sind in den flexibleren und intuitiveren Bereich der semantischen Suche vorgedrungen. Dieser Wandel ermöglicht es uns, Dokumente anhand ihrer konzeptuellen Bedeutung zu finden, nicht nur anhand der spezifischen Wörter, die sie enthalten. Trotz seiner Stärken können RAG-Systeme, die ausschließlich auf Vektorsuche oder hybrider Suche basieren, Schwierigkeiten mit Suchanfragen haben, die ein präziseres Verständnis der Beziehungen zwischen Entitäten erfordern. Dieses Problem entsteht, weil die Vektorsuche mit Wahrscheinlichkeiten und Ähnlichkeiten arbeitet, nicht mit deterministischen Fakten. Hier sind ein paar Beispiele:

Zeitgebundene Fakten

Die semantische Einbettungssuche ( ) eignet sich nicht gut für die Beantwortung von Fragen, die von einem bestimmten Zeitpunkt abhängen, da Einbettungen dazu neigen, vergangene und gegenwärtige Informationen miteinander zu vermischen.¹

Eine Suchanfrage wie „Wer war im Oktober 2022 CEO von Twitter?“ könnte beispielsweise Ergebnisse liefern, in denen Elon Musk, Jack Dorsey oder Parag Agrawal erwähnt werden, je nachdem, welcher Text abgerufen wird, ohne dass ein klarer Bezug zum angefragten Datum besteht. Dies ...