Retrieval: Definition und Rolle für belegbare KI
Warum der Begriff zählt
Ein Sprachmodell weiß nichts über die aktuellen Inhalte eines Unternehmens und neigt ohne Quelle zum Raten. Retrieval schließt diese Lücke, indem es zur Frage die richtigen Stellen liefert. Das ist der wirksamste Hebel gegen erfundene Antworten und die Grundlage für belegbare Auskünfte. Ein Prototyp macht schnell sichtbar, ob die vorhandene Quelle die richtigen Treffer liefert oder erst geordnet werden muss.
Wann es relevant ist
- Antworten sollen auf firmeneigenes Wissen gestützt und belegbar sein.
- Das Wissen ändert sich, ein statisches Modell wäre schnell veraltet.
- Nutzer erwarten einen Verweis auf die Quelle einer Aussage.
- Das Modell soll nicht raten, wenn ihm der passende Kontext fehlt.
Wann nicht
Wenn eine Aufgabe rein kreativ ist oder das Allgemeinwissen des Modells genügt, bringt Retrieval keinen Mehrwert. Auch wenn die Wissensquelle sehr klein ist und vollständig in die Anfrage passt, ist ein aufwendiger Suchschritt überflüssig. Retrieval lohnt sich, sobald viel wechselndes Wissen belegbar in Antworten fließen soll.
Branchen, die das nutzen
- Technischer Kundendienst: Antworten aus umfangreichen Handbüchern mit Verweis auf die genaue Stelle.
- Rechtsabteilungen: Auskünfte aus geltenden Richtlinien und Verträgen, jede Aussage nachprüfbar belegt.
- Pharma und Medizinprodukte: Antworten aus freigegebenen Dokumenten, weil freie Interpretation nicht tragbar ist.
- Öffentlicher Nahverkehr: Auskünfte aus aktuellen Fahrplan- und Tarifdaten statt aus veraltetem Modellwissen.
Typische Anwendungsfälle
- Ein Support-Assistent sucht die passende Handbuchstelle und zitiert sie.
- Ein interner Wissensbot verweist bei jeder Antwort auf das Quelldokument.
- Ein Rechercheassistent findet relevante Passagen in vielen Dokumenten.
- Bei fehlendem Treffer sagt der Assistent offen, dass er nichts findet.
- Aktuelle Inhalte werden angebunden, sodass Antworten nicht veralten.
Entscheidungshilfe
| Signal | Retrieval passt | Alternative |
|---|---|---|
| Antworten sollen belegbar sein | passende Stellen suchen und mitgeben | freies Modell nur mit Kontrolle |
| Wissen ändert sich laufend | Anbindung an aktuelle Quelle | statische Modellantwort |
| Quelle sehr klein | eher nicht | Wissen direkt in die Anfrage geben |
| Rein kreative Aufgabe | eher nicht | Modell ohne Zusatz |
Beispiel
Ein Nahverkehrsbetrieb will Fahrgastfragen automatisiert beantworten, ohne veraltete Auskünfte zu riskieren. Im Workshop entsteht ein Prototyp, der zu jeder Frage die passenden Stellen aus aktuellen Fahrplan- und Tarifdaten heraussucht und mit Verweis antwortet. An echten Fragen zeigt sich, wo die Suche sicher trifft und wo sie nachjustiert werden muss. Das Beispiel beschreibt die Vorgehensweise, keine behauptete Kundenkennzahl.
Verbindung zu Services
Der passende Einstieg ist der KI-Workshop, danach KI-Entwicklung und KI-Implementierung.
Quellen
Diese Einordnung beschreibt gängige Praxis rund um Retrieval bei KI-Anwendungen. Wie gut die Suche trifft, hängt von der Quelle und der Aufbereitung ab und sollte am echten Fall geprüft werden.