Retrieval Augmented Generation (RAG)

Definition

Retrieval Augmented Generation (RAG) ist ein Architekturmuster in der künstlichen Intelligenz, bei dem ein Large Language Model (LLM) vor der Antwortgenerierung relevante Informationen aus einer externen Datenquelle abruft. Dadurch kann das Modell auf aktuelle, fachspezifische oder proprietaere Daten zugreifen, die nicht in seinen Trainingsdaten enthalten sind.

Kontext

Das RAG-Verfahren wurde 2020 von Meta AI vorgestellt und hat sich seitdem zum Standard für wissensbasierte KI-Anwendungen entwickelt. Systeme wie Perplexity AI und Bing Chat setzen RAG ein, um Suchergebnisse in Echtzeit abzurufen und in generierte Antworten einzubinden. Auch unternehmensinterne KI-Lösungen nutzen RAG, um LLMs mit firmenspezifischem Wissen zu verknuepfen.

Der RAG-Prozess besteht aus drei Schritten:

• Retrieval: Relevante Dokumente oder Textpassagen werden aus einer Datenbank oder dem Web abgerufen
• Augmentation: Die abgerufenen Informationen werden dem LLM als Kontext übergeben
• Generation: Das LLM generiert eine Antwort basierend auf dem erweiterten Kontext

Praktische Relevanz

RAG ist der Grund, warum GEO funktioniert: Wenn KI-Systeme externe Quellen durchsuchen, entscheidet die Qualität und Struktur der Webinhalte darüber, welche Quellen ausgewählt und zitiert werden. Gut strukturierte, faktisch korrekte und semantisch klare Inhalte haben die höchste Wahrscheinlichkeit, vom RAG-Prozess erfasst und in der generierten Antwort referenziert zu werden.