Zum Inhalt springen

AI / ML

Retrieval

Suche über Ihre Dokumente, mit Quellenangaben zu jeder Antwort.

Ebene

AI / ML

Gleiche Ebene

4 Technologien

Wie wir Retrieval einsetzen

Retrieval stützt Antworten auf Ihre Daten statt auf das Gedächtnis des Modells.

Wo wir danach greifen

  • Interne Wissenssuche

    Mitarbeitende stellen Fragen über Handbücher, Richtlinien und Tickets hinweg und erhalten eine Antwort mit Links zu den Stellen, aus denen sie stammt.

  • Hilfe für Kunden

    Ein Support-Assistent antwortet aus Ihrer veröffentlichten Dokumentation und nennt die Seite, damit Kunden die Antwort prüfen können.

  • Hybride Suche

    Wir kombinieren Stichwort- und Vektorsuche, oft mit Postgres und pgvector oder einer spezialisierten Engine, denn exakte Begriffe wie Artikelnummern bleiben wichtig.

  • Berechtigungsbewusste Treffer

    Die Suche beachtet, wer welches Dokument sehen darf. Der Assistent zeigt keine Inhalte, die ein Nutzer direkt nicht öffnen könnte.

Wann wir etwas anderes wählen

Ist Ihr Inhalt klein und gut strukturiert, dient eine gute Volltextsuche oder eine einfache FAQ-Seite womöglich besser als eine Retrieval-Pipeline. Und wenn Antworten genaue Zahlen aus einer Datenbank brauchen, ist eine direkte Abfrage verlässlicher, als ein Modell Text lesen zu lassen.

Worauf wir achten

  • Chunking und Aktualität

    Wie Dokumente zerteilt werden, beeinflusst die Antwortqualität. Wir stimmen die Chunk-Grösse an echten Fragen ab und richten Re-Indexierung ein, damit geänderte oder gelöschte Dokumente nicht in den Treffern bleiben.

  • Retrieval messen

    Wir prüfen zuerst, ob die richtige Passage gefunden wird, bevor wir die generierte Antwort bewerten. Viele schlechte Antworten gehen auf schlechtes Retrieval zurück.

  • Quellenqualität und Zugriff

    Veraltete oder widersprüchliche Dokumente führen zu veralteten oder widersprüchlichen Antworten. Wir prüfen zudem Zugriffskontrolle sowie Speicherort und Verarbeitung der Embeddings.

Häufige Fragen

Was ist Retrieval-Augmented Generation (RAG)?

Das System sucht zuerst passende Stellen in Ihren Dokumenten und gibt sie dann einem Sprachmodell, das daraus die Antwort formuliert. So stützt sich die Antwort auf Ihre Daten und kann Quellen nennen.

Brauchen wir eine Vektordatenbank?

Nicht zwingend. Bei mittleren Mengen reicht Postgres mit pgvector oft aus und hält den Stack einfach. Spezialisierte Engines lohnen sich bei grösserem Umfang oder besonderen Suchfunktionen.

Kann RAG trotzdem falsch antworten?

Ja. Das Modell kann eine Passage falsch deuten, oder die richtige Passage wird nicht gefunden. Quellenangaben erlauben die Kontrolle, und ein Evaluations-Set hilft uns, Schwachstellen zu finden.

Nächster Schritt

Was kostet Sie heute Zeit, Geld oder Kunden?

Sie erhalten eine ehrliche Einschätzung, ob und wie wir helfen können, und danach einen schriftlichen Plan mit Kostenschätzung und Zeitplan.

Erzählen Sie uns, was Sie bauen

Wir antworten innerhalb von 1–3 Werktagen, per E-Mail, Telefon oder Video, wie Sie möchten.