KI-Antworten, die auf Ihren Dokumenten beruhen – nicht nur auf Trainingsdaten.
Retrieval-Augmented Generation (RAG) kombiniert ein Sprachmodell mit einer gezielten Suche in Ihren eigenen Inhalten. Statt zu raten oder ausschließlich auf allgemeinem Wissen zu antworten, sucht KAI zuerst die relevanten Abschnitte aus Ihren Dateien, Notizen und angebundenen Quellen und verwendet genau diese als Grundlage für die Antwort.
Vom Dokument zur quellenbezogenen Antwort.
Dokumente erfassen
Dateien, Notizen, geteilte Ordner und weitere Wissensquellen werden bei KAI hinterlegt und für die Suche aufbereitet.
Zugriff festlegen
Wissen kann Abteilungen zugeordnet werden. Jede Anfrage wird nur gegen die Quellen beantwortet, auf die die anfragende Person Zugriff hat.
Relevantes finden
Bei jeder Frage sucht KAI gezielt nach den dazu passenden Abschnitten in den zugänglichen Dokumenten.
Quellenbezogen antworten
Die Antwort stützt sich auf die gefundenen Abschnitte und nennt die zugrunde liegenden Dateien. Fehlt die Information, sagt KAI das offen statt zu spekulieren.
Ein Ort für die Fragen, die in verstreuten Dateien und Ordnern stecken.
Dateien & Dokumente
Verträge, Berichte, Anleitungen und weitere Dateien werden hochgeladen und durchsuchbar gemacht.
Geteilte Ordner
Bestehende Ordnerstrukturen (z. B. Netzlaufwerke) können als Wissensquelle angebunden werden, statt Inhalte doppelt zu pflegen.
Notizen
Persönliche Notizen ergänzen die Dokumentenbasis als zusätzliche, individuelle Wissensquelle.
Warum KAI auf Retrieval statt auf Modell-Training setzt.
Fine-Tuning trainiert ein Modell fest auf einen Datenstand – Änderungen erfordern ein neues Training und die Trainingsdaten werden Teil des Modells selbst. RAG hält Modell und Wissen getrennt: Ihre Dokumente bleiben Ihre Dokumente, und jede Änderung an ihnen wirkt sich sofort auf die nächste Antwort aus – ohne Neutraining und ohne dass Inhalte dauerhaft in ein Modell einfließen.
RAG bei KAI im Detail.
Was ist Retrieval-Augmented Generation (RAG)?
RAG ist ein Verfahren, bei dem eine KI vor der Antwort gezielt in Ihren eigenen Dokumenten und Wissensquellen sucht und die gefundenen Inhalte als Grundlage für die Antwort verwendet, statt ausschließlich auf allgemein trainiertes Wissen zurückzugreifen.
Wie unterscheidet sich RAG von Fine-Tuning?
Fine-Tuning verändert ein Modell dauerhaft anhand von Trainingsdaten. RAG verändert das Modell nicht, sondern liefert ihm zur Laufzeit die passenden Ausschnitte aus aktuellen Dokumenten – neue Inhalte stehen sofort zur Verfügung, ohne Neutraining.
Woher weiß ich, worauf sich eine Antwort von KAI stützt?
KAI beantwortet Fragen auf Basis der abgerufenen Dokumentabschnitte und nennt dabei die zugrunde liegenden Dateien. Findet KAI keine passende Information, wird das offen mitgeteilt, statt eine Antwort zu erfinden.
Wer darf welche Unternehmensdokumente durchsuchen?
Wissen kann Abteilungen zugeordnet und der Zugriff darauf eingeschränkt werden. KAI beantwortet Fragen nur auf Basis der Quellen, auf die die anfragende Person tatsächlich Zugriff hat.
RAG ist die Wissensbasis – Private AI regelt, wo und wie sie verarbeitet wird.
RAG beantwortet die Frage, welches Wissen in eine Antwort einfließt. Die Frage, wo und mit welchen Modellen diese Verarbeitung stattfindet, beantwortet unser Private-AI-Modell. Und wenn ein KI-Agent auf Basis dieses Wissens tätig wird, gelten dieselben Governance-Regeln für Zugriff, Freigabe und Protokollierung.
Machen Sie Ihr Unternehmenswissen nutzbar – statt es zu suchen.
Sprechen Sie mit uns über Ihre Dokumente, Abteilungen und Zugriffsanforderungen.