Struktur
Studie 01 vergleicht, wie gut ein RAG-System aus PDF, HTML und Markdown antwortet.
RAG-Studien
Was gute KI‑Antworten
möglich macht.
Wie beeinflussen Dokumentenstruktur und Datenaufbereitung die Qualität von KI-Antworten? In unserer Studienreihe untersuchen wir, welche Rolle strukturierte Inhalte und unterschiedliche Verfahren zur Aufteilung von Dokumenten bei der KI-gestützten Suche spielen.
Die Reihe
Vier RAG-Studien, die
Vier RAG-Studien, die
aufeinander aufbauen.
Die RAG-Studienreihe umfasst vier aufeinander aufbauende Untersuchungen. Sie gehen der Frage nach, wie Daten strukturiert und verwaltet sein müssen, damit RAG-Systeme präzise, konsistente und effiziente Antworten geben.
Aufbereitung
Studie 02 untersucht Chunking-Strategien, Chunk-Größen und Metadaten für unterschiedliche Sprachmodelle.
Umwandlung
Studie 03 zeigt, wie aus beliebigen Formaten automatisch eine strukturierte, Chunk-neutrale Datenbasis entsteht.
Datenhaltung
Studie 04 (in Vorbereitung) behandelt die zentrale Bereitstellung über einen Content Delivery Service.
Alle RAG-Studien
-
01
Studie lesen
Strukturierte vs. unstrukturierte Daten für RAG-Training: ein Vergleich
Strukturierte Daten liefern deutlich bessere Antworten als ein PDF. Am besten schnitt ein für das RAG-System aufbereitetes Markdown ab.
-
02
Studie lesen
Strukturierte Daten und intelligente Chunking-Strategien für RAG-Systeme
Medienneutral strukturierte Daten und eine passende Chunking-Strategie entscheiden darüber, wie gut ein RAG-System antwortet.
-
03
Studie lesen
Automatisierte Chunks und XML: Vom PDF zum flexiblen RAG-System
Aus PDF, DOCX oder EPUB entsteht automatisch eine Chunk-neutrale XML-Basis, aus der sich Chunks für jedes Modell erzeugen lassen.
-
04
In Vorbereitung
Content Delivery Services (CDS) und RAG
Wie ein Content Delivery Service strukturierte Daten zentral für viele RAG-Systeme bereitstellt.