Was ist RAG (Retrieval Augmented Generation)?

Author

Duncan Trevithick

Duncan combines his creative background with technical skills and AI knowledge to innovate in digital marketing. As a videographer, he's worked on projects for Vevo, Channel 4, and The New York Times. Duncan has since developed programming skills, creating marketing automation tools. Recently, he's been exploring AI applications in marketing, focusing on improving efficiency and automating workflows.

RAG (Retrieval-Augmented Generation) kombiniert die Leistungsfähigkeit großer Sprachmodelle (LLMs) mit externen Wissensabfragen. Was sollte man darüber wissen? Erfahren Sie mehr über diese fortschrittliche KI-Architektur – Funktionsweise, Bedeutung, Geschäftsanwendungen und mehr.

Die Schwächen aktueller KI-Systeme sind bekannt. Ein Aspekt ist dabei besonders frustrierend: Man kann sich nicht auf die Genauigkeit von Informationen verlassen. Aktuelle LLMs „halluzinieren“ häufig Fakten, Personen, Code-Bibliotheken oder Ereignisse – und präsentieren diese Informationen so selbstsicher, dass Fehler schwer zu erkennen sind. Dieses Problem kann mit hochwertigen Trainingsdaten und Feinabstimmung reduziert werden. Eine weitere leistungsstarke Lösung ist RAG.

RAG ist ein hybrides KI-System, das traditionelle Sprachmodelle verbessert. Zu diesem Zweck führt es einen zusätzlichen Retrieval-Schritt ein, um relevante Informationen aus externen Quellen abzurufen. Dies geschieht, bevor Antworten generiert werden. Dadurch kann die KI auf aktuelle, faktenbasierte Informationen zugreifen und ist nicht mehr ausschließlich auf die ursprünglichen Trainingsdaten angewiesen.

Wichtige Erkenntnisse

• RAG (Retrieval Augmented Generation) ist eine KI-Architektur, die große Sprachmodelle (LLMs) mit externer Wissensabfrage kombiniert, um genaue und verlässliche Informationen bereitzustellen.
• Dieser Ansatz minimiert KI-„Halluzinationen“, ermöglicht den Zugriff auf aktuelle Daten und verbessert die Überprüfbarkeit durch Quellenangaben.
• RAG-Systeme sind besonders wertvoll in Geschäftsanwendungen wie Kundenservice, Wissensmanagement und personalisiertem Marketing.
• Die Herausforderungen für RAG sind Skalierbarkeit, kontextuelles Verständnis und die Integration verschiedener Wissensquellen.
• GraphRAG, eine fortschrittliche RAG-Variante, nutzt Wissensgraphen zur Verbesserung des Kontextverständnisses und der Skalierbarkeit. GraphRAG hat das Potenzial, traditionelle RAG-Beschränkungen zu überwinden.

RAG macht KI nicht nur verlässlicher, sondern führt auch eine Überprüfbarkeit ein. Einfach ausgedrückt: Man kann auf einen Link zur Quelle klicken, um diese selbst zu überprüfen. Ein Beispiel: Perplexity, eine RAG-Anwendung, die auch eine Websuche kombiniert. Sie zeigt in einer Liste an, auf welchen Quellen bestimmte Informationen basieren:

Bildquelle: Baoyu, Prompt Engineer

• Abfrage: Das System erhält eine Benutzeranfrage oder einen Prompt.
• Abfrageverarbeitung: Es durchsucht eine Datenbank nach relevanten Informationen mithilfe von Vektorsuchtechniken.
• Ergänzung: Die abgerufenen Informationen werden mit der ursprünglichen Anfrage kombiniert.
• Generierung: Ein LLM verwendet den ergänzten Input, um eine Antwort zu generieren.

Warum Retrieval Augmented Generation wichtig ist:

• Reduzierte Halluzinationen: Durch den Vergleich der Antworten mit den abgerufenen Fakten minimiert RAG KI-Halluzinationen oder Erfindungen.
• Aktuelle Informationen: RAG kann auf aktuelle Daten zugreifen und überwindet so die Einschränkung statischer Trainingsdatensätze.
• Anpassung: Es ermöglicht die Integration von Domain-spezifischen oder proprietären Informationen.
• Verbesserte Genauigkeit: Antworten sind verlässlicher und bieten eine höhere kontextuelle Relevanz.
• Transparenz: Das System kann Quellen angeben, was die Vertrauenswürdigkeit erhöht.

Top-Anwendungen von Retrieval Augmented Generation für’s Business

• Kundenservice: RAG-gesteuerte Chatbots für genaue und kontextbewusste Antworten. Mehr Kundenzufriedenheit und weniger Supportkosten.
• Wissensmanagement: Effizienter Abruf von Unternehmensinformationen für eine leichtere Entscheidungsfindung und bessere Produktivität.
• Forschung und Entwicklung: Schneller Zugriff für die Synthese relevanter Daten aus großen Informationsbeständen.
• Personalisierte Vermarktung: Erstellung maßgeschneiderter Inhalte und Empfehlungen basierend auf aktuellen Kundendaten und Markttrends.
• Rechtliches und Compliance: Schneller Abruf aktueller rechtlicher Informationen auch bei Änderungen.
• Schulung und Bildung: Entwicklung adaptiver Lernsysteme, die personalisierte, aktuelle Bildungsinhalte bereitstellen.
• Produktentwicklung: Integration von Kundenfeedback und Marktdaten als Informationsbasis für Produktverbesserungen und Innovationen.
• Finanzanalyse: Kombination historischer Daten mit aktuellen Marktdaten für genauere Prognosen und Risikobewertungen.

Durch den Einsatz von Retrieval Augmented Generation schaffen Unternehmen intelligentere, anpassungsfähigere und vertrauenswürdigere KI-Systeme. Sie erhöhen dadurch ihr Wachstumspotenzial, ermöglichen bessere Kundenerfahrungen treiben ihre betriebliche Effizienz voran.

RAG-basierte KI-Assistenten eröffnen neue Geschäftsmöglichkeiten. Denn sie verbessern die Produktivität im Vergleich zu traditionellen großen Sprachmodellen (LLMs) erheblich. RAG ermöglicht es KI-Systemen, auf große Wissens- und Codebasen zuzugreifen und diese zu nutzen, um genauere und zuverlässige Antworten zu liefern. Dies schafft Möglichkeiten für Unternehmen, spezialisierte KI-Assistenten zu entwickeln, die auf bestimmte Domains, Branchen oder Unternehmensumgebungen zugeschnitten sind.

Cursor AI ist ein weiteres Beispiel für RAG. Es speichert eine Codebasis sowie API- und Bibliotheksdokumentation, um den richtigen Kontext für LLMs bereitzustellen. Diese können dann neuen Code generieren oder bestehende Teile bearbeiten:

Ein interessantes Geschäftsmodell ist die Entwicklung fortschrittlicher Kontext-Engines und Abfragesysteme. Für die Leistung von RAG kommt es darauf an, mehrere „Linsen“ oder Kontextanbieter zu haben, die schnell relevante Informationen aus verschiedenen Quellen ziehen können. Unternehmen, die leistungsstarke Code-Suchindizes, natürliche Sprachsuche und Verbindungen zu verschiedenen Datenquellen entwickeln können, werden in diesem Bereich gut positioniert sein. Es gibt auch Potenzial für die Erstellung branchenspezifischer oder Domain-spezifischer Wissensbasen, die zur Ergänzung allgemeiner LLMs verwendet werden können.

Der Übergang zu agentischen Workflows, die durch Retrieval Augmented Generation ermöglicht werden, schafft Möglichkeiten für Automatisierungen und den effektiven Einsatz von Produktivitätstools. Iterative KI-Agenten, die planen, Unteraufgaben ausführen und ihre eigene Arbeit ständig verfeinern, erzielen deutlich bessere Ergebnisse als einfache LLM-Antworten. Viele Unternehmen nutzen heute spezialisierte Agenten für Aufgaben wie Forschung, Kodierung, Datenanalyse oder das Verfassen von Texten. RAG erleichtert autonomes Arbeiten und sichert qualitativ hochwertigere Ergebnisse. Es gibt auch Potenzial für die Schaffung von Plattformen, die es weniger technikaffinen Benutzern ermöglichen, benutzerdefinierte KI-Agenten für ihre spezifischen Bedürfnisse auf einfache Weise zu erstellen und anzuwenden.

Schließlich eröffnet der Bedarf an schneller Token-Generierung in RAG-Systemen Chancen in der KI-Infrastruktur und Modelloptimierung. Iterative Workflows leben von der schnellen Erzeugung möglichst vieler Tokens für interne Agenten. Unternehmen, die leistungsfähige und kostengünstige Infrastrukturen für den Betrieb von RAG-Systemen im großen Maßstab bereitstellen, stoßen auf eine große Nachfrage. Denn immer mehr Unternehmen möchten diese Technologien übernehmen.

Aktuelle Herausforderungen von Retrieval Augmented Generation

• Begrenztes Kontextverständnis: Traditionelle RAG-Systeme haben oft Schwierigkeiten, die Nuancen und den Gesamtzusammenhang eines Dokumentenkorpus zu erfassen. Sie verlassen sich stark auf abgerufene Fragmente oder Unterdokumente. Das kann zu einem fragmentierten Verständnis der Informationen führen.
• Skalierbarkeitsprobleme: Wenn der Dokumentenkorpus immer größer wird, können traditionelle RAG-Systeme immer weniger effizient in den Abfrageprozessen werden. Dies liegt daran, dass sie typischerweise alle Fragmente in ihre Vektorsuche einbeziehen. Das kann bei großen Datensätzen rechenintensiv und zeitaufwendig werden.
• Komplexität bei der Integration externer Wissensquellen: Traditionelle RAG-Systeme haben oft Schwierigkeiten mit der sinnvollen Integration externer Wissensquellen in ihren Abfrage- und Generierungsprozess. Die Systeme schaffen es nicht, verwandte Informationen aus verschiedenen Quellen zu verknüpfen. Die Folge sind Antworten ohne Kontext.
• Fehlendes Verständnis von Zusammenhängen: RAG-Systeme können wichtige Verbindungen zwischen verschiedenen Informationsstücken übersehen, da sie Textfragmente oft als unabhängige Einheiten behandeln. Dies kann zu Antworten führen, die die vernetzte Natur komplexer Themen nicht erfassen.
• Schwierigkeiten bei der Behandlung von Multi-Hop-Fragen: Fragen, die Informationen aus mehreren, indirekt verwandten Quellen erfordern, sind für traditionelle RAG-Systeme häufig sehr schwierig. Sie erkennen die Verbindungen zwischen verschiedenen Informationsstücken nicht.
• Begrenzte Zusammenfassungskapazitäten: Traditionelle RAG-Systeme haben oft Schwierigkeiten, Zusammenfassungen auf verschiedenen Detailebenen oder Abstraktionsniveaus bereitzustellen, weil sie typischerweise mit festgelegten Textfragmentgrößen arbeiten.

Wie GraphRAG helfen kann

GraphRAG ist ein relativ neuer Ansatz für RAG. Hier werden Wissensgraphen verwendet, um vernetzte Informationen effektiver zu speichern und abzurufen. Wissensgraphen wurden bereits mit großem Erfolg eingesetzt – beispielsweise zur Unterstützung der Google-Suche.

• Verbessertes Kontextverständnis: GraphRAG erstellt einen Wissensgraphen, der das gesamte Dokumentenset mit vernetzten Entitäten und Beziehungen darstellt. Dies ermöglicht ein umfassenderes Verständnis des Kontexts und der Themen im Korpus und führt zu detaillierteren und kontextuell relevanteren Antworten.
• Verbesserte Skalierbarkeit: GraphRAG führt eine hierarchische Community-Struktur innerhalb des Wissensgraphen ein. Dies ermöglicht effizientere Abfragen, indem zuerst relevante Communities identifiziert und dann spezifische Informationen abgerufen werden. Dieses Verfahren verbessert die Skalierbarkeit für größere Datensätze.
• Einfachere Integration externer Wissensquellen: Die Wissensgraphenstruktur von GraphRAG ermöglicht die natürliche Integration externer Wissensquellen durch Hinzufügen neuer Knoten und Beziehungen zum bestehenden Graphen. Dies erleichtert die Kombination von Informationen aus verschiedenen Quellen auf kohärente Weise.
• Besseres Verständnis von Beziehungen: GraphRAG modelliert Beziehungen zwischen Entitäten explizit durch die Wissensgraphenstruktur. Dies ermöglicht es dem System, Verbindungen zwischen verschiedenen Informationsstücken zu verstehen und zu nutzen.
• Verbesserte Behandlung von Multi-Hop-Fragen: Die Graphenstruktur in GraphRAG erleichtert das Durchforsten verwandter Informationen und macht es effektiver bei der Beantwortung komplexer, Multi-Hop-Fragen durch das Verfolgen von Pfaden im Wissensgraphen.
• Mehrstufige Zusammenfassung: GraphRAG führt eine mehrstufige Community-Struktur ein (z.B. lokale, mittlere und globale Ebenen) mit Zusammenfassungen auf jeder Ebene. Dies ermöglicht flexiblere Abfragen und Zusammenfassungen auf verschiedenen Granularitätsebenen der Informationen.
• Bessere Quellenangabe: GraphRAG hält klare Verbindungen zwischen den Wissensgraph-Knoten und den ursprünglichen Quelldokumenten aufrecht. Dies ermöglicht eine bessere Quellenangabe in den generierten Antworten und erhöht die Transparenz und Vertrauenswürdigkeit.

GraphRAG bietet erhebliche Verbesserungen, aber auch Nachteile – insbesondere in Bezug auf die Rechenkosten und Komplexität. Die Erstellung und Pflege des Wissensgraphen, einschließlich Entitätsextraktion, Beziehungsidentifikation und mehrstufiger Zusammenfassung, kann erheblich teurer sein als traditionelle RAG-Ansätze. Daher erfordert die Implementierung von GraphRAG eine sorgfältige Abwägung der Vorteile zwischen verbesserter Leistung und erhöhten Rechenkosten.

Leistungsverbesserungen mit Retrieval Augmented Generation

In einer kürzlichen Vorlesung im Kurs Stanford CS25: Transformers United V3 teilte Douwe Kiela von Contextual AI wertvolle Einblicke in den aktuellen Stand und die Zukunft von Retrieval-Augmented Generation (RAG)-Systemen. Er hob mehrere Schlüsselbereiche hervor, in denen RAG erhebliche Fortschritte macht und in denen zukünftige Entwicklungen wahrscheinlich sind.

Kiela betonte die erheblichen Leistungsverbesserungen, die RAG-Systeme für Sprachmodelle bringen:

• Das ATLAS-Papier zeigt signifikante Verbesserungen gegenüber Closed-Book-Modellen in verschiedenen Few-Shot-Sprachmodellierungsaufgaben.
• RAG-Systeme können viel größere parametrische Modelle übertreffen. Zum Beispiel zeigte das Retro-Papier, dass ein 25-mal kleineres retrieval-augmentiertes Modell ein größeres Sprachmodell in Bezug auf die Perplexität übertraf.

Umsetzungsschwierigkeiten

• Rechenaufwand: Das Aktualisieren von Dokumentencodern ist extrem teuer und erfordert eine Neukodierung des gesamten Index nach jeder Aktualisierung.
• Latenzprobleme: Es gibt einen Zusammenhang zwischen Kosten und Qualität. Eine Echtzeit-Abfrage kann die Systemreaktionsfähigkeit beeinträchtigen.
• Pflege und Aktualisierung von Wissensbasen: Verschiedene Ansätze zur Aktualisierung von Indizes wurden diskutiert, einschließlich asynchroner Updates und nur queryseitiger Updates.

Ethische Überlegungen

Kiela ging auf einige ethische Implikationen von RAG-Systemen ein:

• Datenherkunft: RAG-Systeme könnten rechtlichen Bedenken begegnen, wenn sie auf „sicheren“ Daten trainieren, während sie zum Testzeitpunkt auf einen breiteren, potenziell riskanteren Index zugreifen.
• Datenschutz: Die Vorlesung erwähnte die GDPR-Konformität als Motivation für RAG-Systeme, da sie das Entfernen oder Überarbeiten spezifischer Informationen erleichtern.

RAG-Variationen und -Verbesserungen

• Hybridsuche, die spärliche (BM25) und dichte Retrieval-Methoden kombiniert
• Mehrstufige Abfrage mit Re-Ranking
• Aktive Abfrage, bei der das Modell lernt, wann abgerufen werden soll
• Multimodales RAG, das Vision integriert (z.B. das Lens-System für visuelles Fragenbeantworten)

Abschließende Gedanken

Retrieval Augmented Generation (RAG) ist ein bedeutender Fortschritt in der KI-Technologie. Es kombiniert die Leistungsfähigkeit großer Sprachmodelle mit der Fähigkeit, auf externe Wissensquellen zuzugreifen und diese zu nutzen. Dieser hybride Ansatz gleicht viele Einschränkungen traditioneller KI-Systeme aus. Er bietet mehr Genauigkeit, reduziert Halluzinationen und verbessert die Fähigkeit, mit aktuellen Informationen zu arbeiten.

Wie wir gesehen haben, haben RAG-Systeme weitreichende Anwendungen in verschiedenen Geschäftssektoren: von der Verbesserung des Kundenservice bis hin zur Revolutionierung von Forschungs- und Entwicklungsprozessen. Die Fähigkeit dieser Technologie, kontextuell relevantere und faktisch fundierte Antworten zu liefern, eröffnet neue Möglichkeiten für KI-gesteuerte Lösungen im Wissensmanagement, personalisierten Marketing, rechtlicher Compliance und darüber hinaus.

Allerdings ist Retrieval Augmented Generation nicht ohne Herausforderungen. Aktuelle Systeme haben Probleme mit der Skalierbarkeit, dem Kontextverständnis und der Komplexität der Integration verschiedener Wissensquellen. Neue Lösungen wie GraphRAG zeigen allerdings das Potenzial, diese Einschränkungen zu überwinden. Sie nutzen Wissensgraphstrukturen, um das Kontextverständnis und die Beziehungskartierung zu verbessern.

In der Zukunft wird RAG-Technologie wahrscheinlich ein großer Teil des täglichen Lebens für Millionen von Menschen sein. Bis zur untersten Ebene verfügt dann jeder Mitarbeiter über einen persönlichen KI-Assistenten. Auf höherer Ebene werden Regierungen die Möglichkeit haben, fundiertere und effektivere Entscheidungen zu treffen, wenn sie auf effektive Weise eine ansonsten unüberschaubare Menge von Daten nutzen.

Für Unternehmen und Organisationen, die an der Spitze der KI-Technologie bleiben möchten, wird das Verständnis und die Nutzung von RAG-Systemen ein entscheidender Faktor für den Erfolg sein. Das Potenzial für gesteigerte Effizienz, verbesserte Entscheidungsfindung und optimierte Benutzererfahrungen macht RAG zu einem wichtigen Bereich, den es zu beobachten und in den es zu investieren gilt, wenn wir uns in Richtung eines Zeitalters der KI-gesteuerten Innovation bewegen.