Worum es konkret geht
- Dokumentauswahl, Aufbereitung, Chunking und Metadaten
- Embeddings, Hybrid Search, Filter und Re-Ranking
- Berechtigungen, Mandantentrennung, Aktualisierung und Löschung
- Retrieval-Evaluation, Antworttreue, Quellen und Monitoring
RAG und interne Wissenssysteme
Wie liefert ein RAG-System belastbare Antworten aus internen Wissensbeständen, ohne Berechtigungen und Quellenbezug zu verlieren?
Der Deep Dive betrachtet RAG als vollständige Qualitätskette: von Dokumentauswahl, Aufbereitung und Berechtigungen über Retrieval und Re-Ranking bis zu Antwort, Quellenanzeige, Evaluation und Betrieb.
Was Teilnehmende anschließend können sollen
- 1RAG-Komponenten und Datenflüsse einordnen
Ingestion, Chunking, Embeddings, Index, Retrieval, Re-Ranking und Generierung zusammenhängend betrachten.
- 2Berechtigungen und Quellen erhalten
Zugriffsregeln, Metadaten, Aktualität und nachvollziehbare Quellen bis in die Antwort absichern.
- 3Retrieval und Antworten evaluieren
Testfragen, erwartete Quellen, Trefferqualität und Antworttreue getrennt messen und verbessern.
Praxisaufgabe und Ergebnisartefakte
Praxisaufgabe
RAG-Architektur und Evaluationsfälle prüfen: Einen Wissensfall abbilden, Vertrauensgrenzen markieren und Testfragen mit erwarteten Quellen sowie Akzeptanzkriterien formulieren.
Ergebnisartefakte
- RAG-Architekturcheck mit Daten- und Berechtigungsflüssen
- Kleines Retrieval-Evaluationsset mit erwarteten Quellen
- Kontrollliste für Qualität, Aktualisierung, Löschung und Betrieb
Mögliche Formate
-
1
Technischer Deep DiveDeep Dive anfragen
Architektur, Kontrollen und Ergebnisartefakte mit hohem Praxisanteil erarbeiten.
Dauer: halber oder ganzer Tag · Gruppengröße: typisch 6–16 Personen
Passende rollenbezogene Schulungen
Nächster Schritt
Thema besprechen
Thema auf Ihre Anwendungsfälle zuschneiden
Wir stimmen Zielgruppe, Vorwissen, Format und Ergebnisartefakte auf Ihre Werkzeuge und internen Vorgaben ab.