RAG-Wissenssysteme garten.ai / Leistungsdokumentation

Unternehmenswissen mit RAG erschließen

garten.ai entwickelt interne Wissenssysteme, die passende Inhalte aus freigegebenen Unternehmensquellen abrufen und für Antworten nutzbar machen. Grundlage sind verständliche Quellen, geregelter Zugriff und überprüfbare Ergebnisse.

40 Minuten · per Video · kostenlos

Was Retrieval-Augmented Generation bedeutet

Bei Retrieval-Augmented Generation, kurz RAG, sucht das System zunächst passende Inhalte in angebundenen Quellen. Ein Sprachmodell erhält diese Ausschnitte als Grundlage für seine Antwort. Dadurch können interne Dokumente genutzt werden, ohne sie für jede Frage von Hand zusammenzusuchen.

Die Qualität hängt unter anderem davon ab, ob die Quellen aktuell sind, die Suche passende Inhalte findet und das Modell die Aufgabe bewältigt. Quellenverweise erleichtern die Prüfung; falsche oder unvollständige Antworten bleiben möglich.

Von Dokumenten zu einer nutzbaren Anwendung

Gemeinsam wählen wir einen abgegrenzten Wissensbereich und typische Fragen aus. Wir prüfen Dokumentenformate, Aktualisierung, Zugriffsrechte und die Erwartungen der späteren Nutzer. Daraus entsteht ein Konzept für Datenaufbereitung, Suche und Antwortgenerierung.

  • Anbindung und Aufbereitung der vereinbarten Dokumentenquellen.
  • Suche nach passenden Inhalten und Anzeige der verwendeten Quellen.
  • Berücksichtigung der Zugriffsrechte beim Abruf von Informationen.
  • Fachliche Testfragen, einschließlich unbeantwortbarer und mehrdeutiger Fragen.
  • Aktualisierung der Quellen sowie dokumentierte Übergabe und Betriebszuständigkeit.

Grenzen vor dem Einsatz prüfen

Wir vereinbaren mit den Fachverantwortlichen, welche Antworten als hilfreich gelten, wann ein Ergebnis geprüft werden muss und wie das System mit fehlenden Belegen umgehen soll. Tests mit deinen Anwendungsfällen schaffen die Grundlage für die Abnahme.

Hosting, Modellanbieter und Datenflüsse wählen wir anhand deiner Anforderungen. Auch der Zugriff auf vertrauliche Inhalte, die Aktualität der Dokumente und der Umgang mit fehlerhaften Antworten müssen im Projekt geklärt werden.

Häufige Fragen

Ist RAG dasselbe wie das Trainieren eines eigenen Modells?

Nein. RAG stellt einem Modell zur Anfrage passende Inhalte bereit. Eine Anpassung der Modellgewichte ist dafür nicht grundsätzlich erforderlich. Ob zusätzliche Modellanpassungen sinnvoll sind, ist eine eigene technische Entscheidung.

Verhindert ein RAG-System falsche Antworten?

Nein. Auch Suche und Sprachmodell können Fehler machen. Deshalb gehören Quellenbezug, fachliche Testfälle und angemessene menschliche Prüfungen zur Planung des Systems.

Können wir mit einem kleinen Wissensbereich starten?

Ja. Ein klar abgegrenzter Bereich mit benannten Verantwortlichen und typischen Fragen eignet sich für die erste Prüfung. Weitere Quellen werden erst ergänzt, wenn Qualität, Berechtigungen und Aktualisierung dafür geklärt sind.

Deinen nächsten Schritt klären.

Im Analysegespräch besprechen wir deine Ausgangslage, offene Fragen und einen passenden Einstieg. Mehr zum fachlich Verantwortlichen findest du im Profil von Patrik Garten.