Retrieval-Augmented Generation
Eine KI-Architektur, die Large Language Models mit externen Wissensquellen verbindet, indem relevante Dokumente abgerufen und als Kontext für die Antwortgenerierung verwendet werden.
Für Marketing ermöglicht RAG KI-Assistenten, die auf aktuelle Produktinformationen, Preislisten, Kampagnendaten und Markenrichtlinien zugreifen – keine veralteten oder erfundenen.
Erklärung
RAG löst das Problem veralteten oder fehlenden Wissens in LLMs. Statt sich nur auf Trainingsdaten zu verlassen, sucht das System zunächst in einer Wissensbasis nach relevanten Informationen, fügt diese dem Prompt hinzu und generiert dann eine fundierte Antwort mit aktuellen Fakten und Quellenangaben.
Relevanz für Marketing
Für Marketing ermöglicht RAG KI-Assistenten, die auf aktuelle Produktinformationen, Preislisten, Kampagnendaten und Markenrichtlinien zugreifen – keine veralteten oder erfundenen Informationen mehr.
Beispiel
Ein Kunden-Chatbot mit RAG: Bei der Frage nach Produktverfügbarkeit durchsucht er zuerst das aktuelle Inventarsystem, findet die relevanten Daten und antwortet mit präzisen, verifizierbaren Lagerbeständen.
Häufige Fallstricke
Qualität hängt stark von der Wissensbasis ab. Latenz durch zusätzliche Abrufschritte. Chunking-Strategien beeinflussen Ergebnisqualität. Kosten für Embedding-Erstellung und Vektordatenbanken.
Entstehung & Geschichte
Retrieval-Augmented Generation ist ein etablierter Begriff im Bereich Künstliche Intelligenz. Das Konzept hat sich mit der zunehmenden Bedeutung von KI und datengetriebenen Methoden weiterentwickelt.