Leistung 02

RAG & Wissenszugriff

Antworten aus dem eigenen Bestand, jede mit ihrer Fundstelle. Zitiert wird nur, was der Fragende öffnen darf.

Problem

Woran es hängt

Das Wissen liegt vor: in Bedingungswerken, Anlagendokumentationen, Protokollen, Laufwerken. Nur findet es niemand. Die Volltextsuche trifft Wörter, keine Fragen, und ein Modell ohne Zugriff auf den Bestand antwortet flüssig und falsch. Ein Retrieval, das die Rechte schon beim Indexieren auflöst, führt vom ersten Tag an einen zweiten Rechtebestand.

Vorgehen

Wie wir arbeiten

01
Bestand sichten
Welche Formate, welche Qualität, welche Dubletten. Ein gescanntes Dokument aus den Neunzigern trifft schlechter als ein gepflegtes Wiki. Das sagt die Oberfläche später auch.
02
Zerlegung festlegen
Der Schnitt in Abschnitte entscheidet über die Trefferquote mehr als die Wahl des Einbettungsmodells. Wir messen ihn an echten Fragen aus dem Fachbereich.
03
Berechtigungen hinter das Retrieval legen
Geprüft wird bei jeder Anfrage gegen das Verzeichnis. Wer ein Dokument nicht öffnen darf, bekommt es auch nicht zitiert.
04
Belege erzwingen
Jede Antwort nennt Dokument, Fassung und Stelle. Ohne Fundstelle keine Antwort.
05
Messen und nachziehen
Eine Fragemenge aus dem Fachbereich, regelmäßig gefahren. Sie zeigt, ob eine Änderung am Bestand die Trefferquote hebt oder senkt.

Typische Architektur

Wie so ein System aufgebaut ist

Die beiden Filter stehen zwischen Kandidaten und Belegen. Dort greifen sie bei jeder Anfrage und kosten wenig. Vor dem Vektorspeicher wären sie eine Kopie des Berechtigungsmodells, die niemand pflegt.

Bestand (SharePoint, Laufwerke, DMS, Wiki)
   │
   ▼
[Aufbereitung] ─ Text, Struktur, Metadaten, Gültigkeit
   │
   ▼
[Zerlegung] ─ Abschnitte mit Kontextkopf
   │
   ▼
[Einbettung] ──▶ Vektorspeicher
                     │
Frage ───────────────┤
   │                 ▼
   │        Kandidaten (Top 40)
   │                 │
   │                 ▼
   │        [Filter: Gültigkeit]
   │                 │
   │                 ▼
   │        [Filter: Leserecht, je Anfrage]
   │                 │
   │                 ▼
   │        [Reranking] ──▶ Belege (Top 6)
   │                 │
   └────────────────▶▼
                 [Modell] ──▶ Antwort + Fundstellen

Technologien

Was wir dafür einsetzen

InsideAI
Qdrant
pgvector
Apache Tika
Azure AD / Keycloak
Reranking-Modelle

Die Auswahl richtet sich nach Ihrer Umgebung. Produkt- und Anbieternamen sind Marken der jeweiligen Inhaber; ihre Nennung weist auf den Einsatz hin, nicht auf eine geschäftliche Verbindung.

Passende Projekte

Wie das in einem Projekt aussieht

RAG
Wissenszugriff über 30 Jahre Bestandsdokumente
Versicherer, 4.000 Mitarbeitende · Versicherung · 2026
Öffnen

Kontakt