RAG (Retrieval-Augmented Generation) ist eine Methode, die KI-Modelle mit zusätzlichen Informationen aus einer Wissensdatenbank unterstützt. Bei PeakPrivacy nutzen wir RAG, um die Qualität und Genauigkeit unserer KI-Antworten zu verbessern resp. firmen/ organisationsinterne Informationen miteinzubeziehen.
Wie funktioniert RAG?
RAG kombiniert zwei wichtige Prozesse:
Retrieval (Abrufen): Suche nach relevanten Informationen in hinterlegten Daten
Generation (Erzeugung): Erstellung von Antworten durch das KI-Modell
Dies nennt man "extractive AI". Das ist nicht das Gleicht wie "generative AI" und es ist wichtig den Unterschied zu kennen.
Der RAG-Prozess im Detail
Du stellst eine Frage an die KI
Das System durchsucht die hinterlegte Wissensdatenbank
Relevante Informationen werden gefunden und aufbereitet
Die KI nutzt diese, von dir zu verfügung gestellten Informationen für eine präzise Antwort
Vorteile von RAG
Aktualität: Zugriff auf stets aktuelle Informationen
Genauigkeit: Präzisere Antworten durch zusätzliches Kontextwissen
Verlässlichkeit: Reduzierung von Halluzinationen der KI
Praktische Anwendung
Bei PeakPrivacy kannst du RAG beispielsweise nutzen für:
Recherche in internen Dokumenten
Beantwortung von spezifischen Produktfragen
Analyse von Unternehmensdaten
Beispiel für RAG in Aktion
Wenn du die Frage stellst "Was sind die aktuellen Datenschutzrichtlinien?", wird RAG:
Die neuesten Datenschutzdokumente durchsuchen
Relevante Abschnitte identifizieren
Eine aktuelle und präzise Antwort generieren
Wichtiger Hinweis: Deine Daten kannst du entweder direkt im Chat, also im System Prompt hochladen oder im Wissenszentrum, also in der Datensammlung. Mehr dazu erfährst du in diesem Artikel.
Best Practices
Für optimale Ergebnisse mit RAG:
Stelle präzise Fragen
Gib relevanten Kontext an
Nutze die Möglichkeit für Rückfragen bei unklaren Antworten