Die Grenzen der Basic Retrieval-Augmented Generation

2023 war ein Jahr des rasanten Fortschritts im Bereich der generativen KI, geprägt von bedeutenden Fortschritten und einer wachsenden Landschaft von Open-Source-Tools und Projekten. Das Entwicklungstempo bei den Large Language Models (LLMs) war besonders bemerkenswert und spiegelt einen allgemeinen Trend zu kontinuierlicher Verbesserung und Innovation wider. Wichtige Entwicklungen bei LLM und Ökosystemen:

1. Fortschritte bei den Modellfähigkeiten: Die LLM haben nicht nur an Umfang, sondern auch an Raffinesse gewonnen und zeigen ein besseres Verständnis und bessere Generierungsfähigkeiten. Diese Verbesserungen haben neue Türen für praktische Anwendungen in verschiedenen Branchen geöffnet.
2. Wachstum von Open-Source-Projekten: Im Laufe des Jahres gab es einen Aufschwung bei Open-Source-Projekten im Zusammenhang mit LLMs, der durch einen gemeinschaftsorientierten Entwicklungsansatz vorangetrieben wurde. Dieser Trend hat den Zugang zu hochmodernen KI-Technologien demokratisiert und ermöglicht es einer größeren Zahl von Entwicklern und Unternehmen, zu experimentieren und zu innovieren.
3. Erweiterung des Ökosystems: Neben den Modellen selbst haben auch die Tools und Plattformen, die LLMs unterstützen, stark zugenommen. Von Hilfsprogrammen für die Datenverarbeitung bis hin zu benutzerfreundlichen Schnittstellen ist das Ökosystem, das die LLM umgibt, reichhaltiger und für die praktische Anwendung förderlicher geworden.
4. Aufstieg der multimodalen KI: Das Aufkommen und Wachstum der multimodalen KI war ein bedeutender Schritt. Diese Systeme, die in der Lage sind, verschiedene Arten von Daten (wie Text, Bilder und Audio) zu verarbeiten und zu integrieren, haben ein großes Potenzial für die Entwicklung vielseitiger und kontextbezogener KI-Lösungen.

Nachdem wir uns die allgemeinen Trends in der Branche angesehen haben, wenden wir uns nun der Frage zu, wie sich diese Entwicklungen auf den Unternehmenssektor auswirken. Adaption von LLMs in Unternehmen: Die Anpassung von LLMs in Unternehmen ist ein auffälliger Trend. Die Unternehmen haben das Potenzial dieser Modelle für die Automatisierung von Prozessen, die Unterstützung der Forschung und die Gewinnung neuer Erkenntnisse zunehmend erkannt. In unserer Arbeit bedeutete die Anpassung von LLMs oft die Konstruktion von RAG-Systemen, die unternehmensspezifische Daten effektiv nutzen können, um KI-Tools nicht nur leistungsfähig, sondern auch relevant und praktisch für die Bedürfnisse von Unternehmen zu machen. Der Aufstieg von RAG als vorherrschende architektonische Wahl ging einher mit einer wachsenden Nachfrage nach KI-Lösungen, die auf das Geschäft ausgerichtet sind. Im Gegensatz zu den Anfängen der LLMs, bei denen die Aufregung vor allem um ihre Fähigkeit ging, Konversation zu simulieren, hat sich der Schwerpunkt jetzt auf die Nutzung dieser Modelle für tiefergehende, substanziellere Unternehmensanwendungen verlagert. Wenn wir das vergangene Jahr Revue passieren lassen, wird klar, dass die Reise mit generativer KI und RAG-Systemen gerade erst begonnen hat. Die Fortschritte im Jahr 2023 haben die Weichen für noch innovativere und wirkungsvollere Anwendungen im kommenden Jahr gestellt.

In der dynamischen Landschaft der generativen KI ist einer der wichtigsten Trends die Adaption von Large Language Models (LLMs) durch Unternehmen für ihre proprietären und internen Daten. Diese Entwicklung hin zu maßgeschneiderten LLMs wird durch die Notwendigkeit angetrieben, KI für spezifische, oft komplexe Geschäftsanforderungen zu nutzen. 1. Warum Unternehmen sich der LLM-Anpassung zuwenden:

• Unternehmen wollen sich die Leistungsfähigkeit von LLMs zunutze machen, um ihre einzigartigen Datenbestände zu verarbeiten, zu analysieren und Erkenntnisse zu gewinnen.
• Ziel ist es, KI-Lösungen zu schaffen, die nicht nur in Bezug auf die reine Rechenleistung leistungsfähig sind, sondern auch genau auf den spezifischen Unternehmenskontext und die Anforderungen abgestimmt sind.

2. Haupttechniken der LLM-Anpassung:

• Feinabstimmung: Anpassen von vorab trainierten Modellen, um sie besser an bestimmte Daten oder Aufgaben anzupassen, obwohl dies ressourcenintensiv sein kann.
• Prompt-Engineering: Die Entwicklung von Prompts, die das Modell effektiv anleiten, die gewünschten Ergebnisse zu erzielen, ist eine Technik, die aufgrund ihrer Effizienz und Einfachheit weit verbreitet ist.
• Retrieval-Augmented Generation (RAG): Eine Technik, die die generativen Fähigkeiten von LLMs mit externem Datenabruf kombiniert und sich besonders für Aufgaben eignet, die eine Kombination aus allgemeinem Wissen und spezifischen, domänenrelevanten Informationen erfordern.

3. Unsere Erfahrungen mit der LLM-Anpassung:

• Wir haben ausgiebig mit diesen Techniken gearbeitet, sie bei verschiedenen Projekten angewandt und ihr Potenzial und ihre Grenzen aus erster Hand kennengelernt.
• Unsere Reise hat gezeigt, dass die Feinabstimmung zwar Präzision bietet, dass aber die kostengünstigsten und vielseitigsten Lösungen für Unternehmensanwendungen oft durch prompte Entwicklung und RAG erzielt werden.

4. Die wachsende Bedeutung von maßgeschneiderten KI-Lösungen:

• Dieser Trend zur LLM-Anpassung unterstreicht eine breitere Verlagerung in der KI-Branche: weg von Einheitsmodellen hin zu maßgeschneiderten Lösungen, die auf die einzigartigen Herausforderungen und Möglichkeiten der einzelnen Unternehmen eingehen.

Die Popularität von RAG-Systemen verstehen Im Jahr 2023 wurden Retrieval-Augmented Generation (RAG) -Systeme zunehmend zur bevorzugten Architektur für viele KI-Anwendungen, insbesondere in Unternehmen. Dieser Trend wurde durch die klare Erkenntnis angetrieben, dass sie das Potenzial haben, gezieltere und relevantere KI-gestützte Lösungen anzubieten. RAG Systems im Rampenlicht:

• RAG-Systeme, die die generativen Fähigkeiten von LLMs mit der Fähigkeit kombinieren, spezifische, relevante Informationen einzuholen, erwiesen sich als ideal für verschiedene Geschäftsanwendungen.
• Ihre Fähigkeit, auf externe Datenquellen zu verweisen und diese zu nutzen, machte sie besonders attraktiv für Aufgaben, die Tiefe und Spezifität erfordern und die Fähigkeiten von eigenständigen Gesprächsmodellen übersteigen.
• Das Konzept der „Naiven RAG“ – die einfache Vektorisierung von Dokumenten und deren Abfrage mit LLMs – gewann aufgrund seiner Einfachheit zunächst an Zugkraft. Ihre Grenzen wurden jedoch bei komplexen Szenarien mit großen Datensätzen und anspruchsvollen Abfragen deutlich.

Um die Herausforderungen und Grenzen von naiven RAG-Systemen zu verstehen, ist es wichtig zu wissen, wie sie auf einer grundlegenden Ebene funktionieren. Der naive RAG-Prozess kann in drei Hauptphasen unterteilt werden: Abrufen, Erweitern und Generieren.

Naive RAG-Systeme sind zwar innovativ in ihrem Ansatz, Retrieval mit generativen Modellen zu kombinieren, liefern aber oft keine präzisen und kontextuell relevanten Ergebnisse, insbesondere in komplexen Unternehmensszenarien.

Wenn du naive RAG-Systeme in einem Unternehmen einsetzt, ist es wichtig zu verstehen, wo sie versagen könnten, vor allem in der ersten Abrufphase. In dieser Phase geht es darum, wie das System Informationen findet und verwendet, um eine Anfrage zu beantworten. Lasst uns diese Herausforderungen in einfachere, managementfreundliche Begriffe fassen: 1. Unterschiedliche Bedeutungen verwirren:

• Was passiert: Das System kann bei Wörtern mit mehreren Bedeutungen (z. B. „Apfel“ als Frucht oder als Unternehmen) verwirrt werden und falsche Informationen abrufen.
• Auswirkungen auf das Geschäft: Sie erhalten Antworten, die nicht zum Thema passen, was irreführend oder nicht hilfreich sein kann.

2. Abgleich auf der Grundlage falscher Kriterien:

• Was passiert: Das System gleicht manchmal auf der Grundlage allgemeiner Ähnlichkeiten ab und übersieht dabei die Besonderheiten dessen, wonach Sie wirklich suchen (z. B. den richtigen Ausdruck „Retrieval-Augmented Generation (RAG)“ im falschen Dokument).
• Auswirkungen auf das Geschäft: Die Antworten, die Sie erhalten, scheinen auf den ersten Blick zusammenhängend zu sein, gehen aber nicht wirklich auf Ihre spezifische Anfrage ein.

3. Schwierigkeit, enge Übereinstimmungen zu finden:

• Was passiert: In einem großen Datenpool kann das System Schwierigkeiten haben, zwischen eng verwandten Themen zu unterscheiden, was zu weniger genauen Übereinstimmungen führt.
• Auswirkungen auf das Geschäft: Sie erhalten Antworten, die zwar richtig erscheinen, aber in Wirklichkeit nichts mit Ihrer Anfrage zu tun haben.

4. Der Kontext fehlt:

• Was passiert: Das System vernachlässigt oft die feineren, kontextbezogenen Details einer Anfrage und konzentriert sich nur auf das Gesamtbild.
• Auswirkungen auf das Geschäft: Das Fehlen eines differenzierten Verständnisses führt zu Antworten, die die Absicht der Anfrage nicht vollständig erfassen.

5. Herausforderungen bei Nischenthemen:

• Was passiert: Bei sehr spezifischen oder Nischenabfragen kann es vorkommen, dass das System nicht in der Lage ist, alle relevanten Informationen aus verschiedenen Quellen zu sammeln.
• Auswirkungen auf das Geschäft: Dies kann besonders problematisch sein, wenn es sich um spezielle oder technische Anfragen handelt, die zu unvollständigen oder oberflächlichen Antworten führen.

Nach der Abrufphase in einem naiven RAG-System stellt die Erweiterungsphase eine eigene Herausforderung dar. Hier versucht das System, die abgerufenen Informationen zu einer kohärenten und relevanten Antwort zusammenzufassen. Wir wollen diese Fragen und ihre Auswirkungen auf Geschäftsanwendungen untersuchen: 1. Reibungslose Integration von Kontexten:

• Herausforderung: Das System hat möglicherweise Schwierigkeiten, den Kontext der abgerufenen Daten mit der Generierungsaufgabe zu verbinden, was zu unzusammenhängenden Ergebnissen führt.
• Beispiel: Die Vermischung von detaillierter Geschichte mit aktuellen Anwendungen der „Künstlichen Intelligenz“ könnte zu einer unausgewogenen Gewichtung führen, die den Kern der Aufgabe vernachlässigt.

2. Redundanz und Wiederholung:

• Herausforderung: Wiederholungen können auftreten, wenn mehrere Quellen ähnliche Informationen liefern, was zu redundantem Inhalt in der Ausgabe führt.
• Beispiel: Die wiederholte Erwähnung von „Retrieval Augemented Generation“ kann dazu führen, dass die Antwort repetitiv erscheint, was ihre Wirksamkeit verringert.

3. Priorisierung relevanter Informationen:

• Herausforderung: Eine effektive Einstufung der Bedeutung der verschiedenen abgerufenen Informationen ist schwierig, aber für eine genaue Ausgabe unerlässlich.
• Beispiel: Die Unterbetonung wichtiger Punkte wie „Suchindex“ zugunsten weniger wichtiger Informationen kann die Relevanz der Antwort verzerren.

4. Harmonisierung verschiedener Stile und Töne:

• Herausforderung: Die abgerufenen Inhalte können unterschiedliche Stile oder Farbtöne aufweisen, die das System für eine einheitliche Ausgabe harmonisieren muss.
• Beispiel: Eine Mischung aus legeren und formellen Tönen im Ausgangsmaterial kann zu einem uneinheitlichen Stil in der erstellten Antwort führen.

Die letzte Phase in einem naiven RAG-System, die Generierung, birgt ihre eigenen Herausforderungen. An dieser Stelle synthetisiert das System die abgerufenen und ergänzten Daten, um eine endgültige Antwort zu geben. Im Folgenden werden die häufigsten Probleme in dieser Phase und ihre Auswirkungen erläutert. 1. Kohärenz und Konsistenz:

• Die Herausforderung: Es ist schwierig, logische Kohärenz und erzählerische Konsistenz aufrechtzuerhalten, vor allem, wenn unterschiedliche Informationen integriert werden.
• Beispiel: Ein abrupter Wechsel von der Erörterung von Python im Bereich des maschinellen Lernens zur Webentwicklung ohne Übergang kann die Leser verwirren.

2. Übergeneralisierung:

• Herausforderung: Das Modell kann generische Antworten anstelle von spezifischen, detaillierten Informationen liefern.
• Beispiel: Eine allgemeine Antwort auf eine Anfrage über die Unterschiede zwischen PyTorch und TensorFlow geht nicht auf die Spezifika der Anfrage ein.

3. Fehlerfortpflanzung aus dem Retrieval:

• Herausforderung: Etwaige Ungenauigkeiten oder Verzerrungen in den abgerufenen Daten können sich in der endgültigen Ausgabe noch verstärken.
• Beispiel: Eine falsche Angabe im abgerufenen Inhalt (z. B. „LlamaIndex ist ein ML Model Serving Framework“) kann die Generierungsphase in die Irre führen.

4. Versäumnis, Widersprüche anzusprechen:

• Herausforderung: Widersprüchliche Informationen in abgerufenen Daten können den Generierungsprozess verwirren.
• Beispiel: Widersprüchliche Aussagen über die Verwendung von PyTorch in der Forschung und in der Produktion können den Leser in die Irre führen, wenn sie nicht geklärt werden.

5. Unkenntnis des Kontexts:

• Herausforderung: Das Modell könnte den breiteren Kontext oder die Absicht einer Abfrage übersehen oder falsch interpretieren.
• Beispiel: Beantwortung einer Anfrage nach einem lustigen Fakt über maschinelles Lernen mit einem sehr technischen Punkt.

Zum Abschluss unserer Erkundung der grundlegenden oder naiven RAG-Systeme wird deutlich, dass diese Systeme zwar einen bedeutenden Fortschritt in der KI darstellen, aber nicht ohne Einschränkungen sind. Die Herausforderungen in den Phasen des Abrufs, der Erweiterung und der Generierung behindern oft ihre Effektivität, insbesondere bei komplexen, realen Unternehmensanwendungen. Diese Einschränkungen lassen sich wie folgt zusammenfassen:

1. Probleme beim Abrufen von Daten: Probleme mit semantischer Mehrdeutigkeit, Unstimmigkeiten bei der Granularität und globalen bzw. lokalen Ähnlichkeiten, die zu ungenauen oder irrelevanten Datenabfragen führen.
2. Herausforderungen bei der Erweiterung: Schwierigkeiten bei der Integration von Kontexten, der Handhabung von Redundanzen und der Priorisierung von Informationen, was zu unzusammenhängenden oder oberflächlichen Inhalten führt.
3. Unzulänglichkeiten bei der Generierung: Probleme mit der Kohärenz, Konsistenz, Ausführlichkeit und mangelnder Tiefe, was zu Antworten führt, die den differenzierten Anforderungen von Geschäftsanfragen nicht gerecht werden.

Diese Herausforderungen unterstreichen die Notwendigkeit eines ausgefeilteren Ansatzes – das Reich der Advanced RAG Systems. Advanced RAG geht diese Einschränkungen direkt an, indem es verfeinerte Techniken und Methoden einsetzt, um eine höhere Genauigkeit, Relevanz und kontextuelle Ausrichtung der generierten Inhalte zu gewährleisten. Wir stellen die Serie über fortgeschrittene RAG-Techniken vor: Angesichts dieser Herausforderungen freuen wir uns, eine Serie anzukündigen, die in die Welt der fortgeschrittenen RAG-Systeme eintauchen wird. In dieser Serie geht es um Folgendes:

• Verbesserte Abrufmechanismen: Wie fortgeschrittene RAG-Systeme eine präzisere und kontextbezogene Datenabfrage erreichen.
• Ausgefeilte Erweiterungsstrategien: Techniken zur besseren Integration und Synthese der abgerufenen Informationen.
• Verfeinerte Generierungsprozesse: Wege zur Sicherstellung von Kohärenz, Tiefe und Aufschlussreichtum in den endgültig generierten Inhalten.