RAG (Retrieval Augmented Generation) ist eine Methode, bei der eine KI vor der Beantwortung einer Frage gezielt relevante Informationen aus einer eigenen Wissensdatenbank abruft und diese in ihre Antwort einbezieht. Statt sich ausschliesslich auf das während des Trainings gelernte Wissen zu verlassen, durchsucht das System zunächst eine hinterlegte Dokumentensammlung – etwa Handbücher, Produktdaten oder interne Richtlinien – und nutzt die gefundenen Textstellen als Grundlage für die Antwort. Das Ergebnis sind Antworten, die aktueller, präziser und besser belegbar sind.
1. Wie RAG funktioniert
Der Ablauf eines RAG-Systems lässt sich in zwei aufeinanderfolgende Phasen unterteilen:
Retrieval (Abruf): Zur gestellten Frage werden aus einer Datenbank die inhaltlich passendsten Textabschnitte gesucht, meist über eine semantische Suche statt reiner Stichwortübereinstimmung. Generation (Erzeugung): Das Sprachmodell formuliert die Antwort auf Basis der gefundenen Textabschnitte und des eigentlichen Prompts – die Fundstellen dienen dabei als zusätzlicher Kontext.
2. Warum RAG eingesetzt wird
RAG löst ein zentrales Problem klassischer Sprachmodelle: Ihr Wissen ist auf den Trainingszeitpunkt begrenzt und nicht unternehmensspezifisch.
Aktualität: Neue oder sich ändernde Informationen – etwa Preise, Produkte oder Richtlinien – lassen sich einfach in die Datenbank einpflegen, ohne das Modell neu zu trainieren. Firmenspezifisches Wissen: Interne Dokumente, die nie öffentlich zugänglich waren, können gezielt für Antworten herangezogen werden. Nachvollziehbarkeit: Da die Antwort auf konkreten Quellen basiert, lassen sich diese in vielen Anwendungen als Referenz mit ausgeben.
3. Typische Anwendungsfälle
RAG kommt ĂĽberall dort zum Einsatz, wo KI-Antworten auf spezifischem Wissen beruhen sollen:
Kundensupport: Chatbots, die Antworten direkt aus ProdukthandbĂĽchern oder FAQ-Datenbanken beziehen. Interne Wissenssysteme: Mitarbeitende erhalten Antworten aus internen Weisungen, Vertragsvorlagen oder Projektdokumentation. Recherche-Tools: Zusammenfassungen und Antworten, die auf einer definierten Dokumentensammlung basieren, statt auf dem gesamten Internet.
Zusammenfassend
RAG verbindet die Sprachfähigkeit grosser KI-Modelle mit dem spezifischen Wissen einer eigenen Datenbank. Für Unternehmen ist die Methode ein zentraler Baustein, um KI-Anwendungen zu bauen, die verlässlich, aktuell und auf die eigenen Inhalte zugeschnitten sind.