Information Retrieval (IR) und Retrieval Augmented Generation (RAG) sind nur dann effektiv, wenn die Informationen, die als Ergebnis einer Abfrage aus einer Datenbank abgerufen werden, für die Abfrage und ihre Anwendung relevant sind.

Allzu oft liefern Abfragen semantisch ähnliche Ergebnisse, die aber nicht die gestellte Frage beantworten. Sie können auch irrelevantes Material zurückgeben, das den LLM von den richtigen Ergebnissen ablenken kann. In diesem Kurs werden fortgeschrittene Retrieval-Techniken zur Verbesserung der Relevanz von Suchergebnissen vermittelt. Zu den behandelten Techniken gehören: 1. Abfrageerweiterung: Das Erweitern von Benutzeranfragen verbessert die Informationssuche, indem verwandte Konzepte und Schlüsselwörter einbezogen werden. Durch die Verwendung eines LLM wird diese traditionelle Technik noch effektiver. Bei einer anderen Form der Erweiterung schlägt das LLM eine mögliche Antwort auf die Anfrage vor, die dann in die Anfrage aufgenommen wird. 2. Encoderübergreifendes Reranking: Reranking von Retrieval-Ergebnissen zur Auswahl der für Ihre Anfrage relevantesten Ergebnisse verbessert Ihre Ergebnisse. 3. Training und Nutzung von Embedding Adaptern: Das Hinzufügen einer Adapterschicht zur Umformung von Einbettungen kann das Retrieval verbessern, indem für Ihre Anwendung relevante Elemente hervorgehoben werden.