Warum kann KI getrost falsch liegen?

Eine gut geschriebene Antwort kann eine falsche Tatsache verbergen. Die Überprüfung beginnt mit der Frage, welche Beweise die einzelnen Behauptungen stützen.

Sie können diesen Kurs ohne Konto oder Programmierung absolvieren. Beispiele verwenden synthetische Daten und KI-Ergebnisse müssen überprüft werden.

Wie es funktioniert, Schritt für Schritt

Geläufigkeit und Wahrheit werden getrennt geprüft

Eine Halluzination ist ein nicht unterstützter oder falscher Inhalt, der als Antwort präsentiert wird. Es kann durch fehlende Informationen, Unklarheiten oder falsch kombinierte Muster entstehen. Fordern Sie Belege an und überprüfen Sie Originaldokument, Datum, Einheiten und Bedingungen. Ein echtes Zitat kann die Behauptung möglicherweise immer noch nicht stützen. Verwenden Sie aktuelle Quellen für aktuelle Fakten, einen Taschenrechner für die Arithmetik und „kann nicht feststellen“, wann Beweise fehlen. Behandeln Sie das in Prosa zum Ausdruck gebrachte Vertrauen nicht als kalibrierte Wahrscheinlichkeit.

RAG greift auf Beweise zu, es führt keine Umschulung durch

RAG bedeutet Retrieval-Augmented Generation: Retrieval liefert relevante Passagen, bevor das Modell antwortet. Die Aufnahme bereitet Dokumente vor, während die Abfrageausführung den Index durchsucht und den Kontext erstellt. Ein Einbettungsmodell stellt Text numerisch dar; Das Antwortmodell schreibt die Antwort. Reranker-, Vision-, Graph- und Router-Modelle übernehmen bei Bedarf unterschiedliche Rollen. RAG hilft bei privaten oder sich ändernden Informationen, übernimmt jedoch keine Gewähr für die Richtigkeit. Verwenden Sie eine autorisierte API für Salden, genaue Bestände oder Berechtigungen; Ein altes Dokument ist keine verlässliche Quelle für den aktuellen Stand.

Definieren Sie den Erfolg vor der Optimierung

Bereiten Sie repräsentative Anfragen und erwartete Antworten oder Eigenschaften vor. Berücksichtigen Sie normale Fälle, Unklarheiten, fehlende Daten und Toolfehler. Messen Sie für RAG die Beweisgewinnung getrennt von der Antwortkorrektheit. Recall@k misst den Anteil relevanter Beweise, die in den ersten k Ergebnissen gefunden wurden; precision@k misst den Anteil der zurückgegebenen Ergebnisse, die relevant sind. Verfolgen Sie für Agenten auch Aktionen, Berechtigungen und Stopps. Ein LLM als Richter kann die Bewertung beschleunigen, muss jedoch mit Menschen verglichen werden. Ändern Sie Eingabeaufforderung, Modell und Index nicht gleichzeitig, wenn Sie verstehen möchten, was zu verbesserten Ergebnissen führt.

Das erklärende Schaubild

Folgen Sie den durchgezogenen Pfeilen für den Hauptfluss. Gestrichelte blaue Pfeile liefern Daten oder Kontext; Gestrichelte rosa Pfeile zeigen Feedback oder zurückgegebene Ergebnisse an. Farben und Formen unterscheiden Modelle, Geschäfte, Entscheidungen und Ergebnisse. Scrollen Sie auf kleinen Bildschirmen horizontal, um das gesamte Schaubild zu verfolgen.

Ein vollständiges Beispiel

Die fiktive Richtlinie sieht 14 Tage für ein unbenutztes Produkt vor. Die Antwort lautet „30 Tage, keine Bedingungen“. Überprüfen Sie sowohl die Zahl als auch die ausgelassene Bedingung anhand einer gültigen Quelle.

Probieren Sie es selbst aus

1. Kennzeichnen Sie jede Behauptung als unterstützt, widersprochen oder nicht unterstützt.
2. Notieren Sie die Eingabe, die Quelle und das erwartete Ergebnis, bevor Sie das Experiment durchführen. Verwenden Sie im Beispiel nur die fiktiven Daten.
3. Folgen Sie den Diagrammschritten. Notieren Sie bei jedem Schritt, welche Informationen empfangen und produziert werden. Verwechseln Sie Zwischenergebnisse nicht mit Endergebnissen.
4. Wiederholen Sie den Vorgang, nachdem Sie erforderliche Informationen entfernt oder die Eingabe mehrdeutig gemacht haben. Prüfen Sie, ob das System eine Antwort klärt, stoppt oder erfindet.
5. Vergleichen Sie mit der erklärten Lösung. Bewahren Sie die Konfiguration, das Datum, das Ergebnis und eine Erklärung für Unterschiede auf. Ändern Sie eine Sache und testen Sie es erneut.

Eine erklärte Lösung

Bei richtiger Antwort bleiben 14 Tage und der ungenutzte Zustand erhalten; Andere Situationen bedürfen einer Klärung. Mit einer erfolgreichen Übung können Sie den Zusammenhang zwischen Input, Phasen und Ergebnis aufzeigen. Bei fehlenden Informationen ist eine vorsichtige Antwort sinnvoller als erfundene Details. Vergleichen Sie mehr als nur Stil: Überprüfen Sie auch Bedingungen, Quellen und Vorgänge.

Wann dieser Ansatz hilft und wo seine Grenzen liegen

RAG reduziert fehlenden Kontext, beseitigt jedoch nicht alle Halluzinationen. Wählen Sie diesen Ansatz, wenn er einen gemessenen Bedarf verbessert. Behalten Sie eine einfache Ausgangsbasis bei und vergleichen Sie die Ergebnisse mit identischen Eingaben. Ein erfolgreiches Beispiel stellt nicht in jeder Situation Verlässlichkeit dar.

Überprüfen Sie Ihr Wissen

Reicht ein Link in einer Antwort?

NEIN; Es muss den konkreten Anspruch stützen und zur Zeit und den Umständen passen.

Verändert RAG die LLM-Parameter?

Nein. Es stellt den Kontext zur Anforderungszeit bereit. Parameteränderungen gehören zum Training.

Zu welchem ​​Ergebnis soll diese Übung führen?

Bei richtiger Antwort bleiben 14 Tage und der ungenutzte Zustand erhalten; Andere Situationen bedürfen einer Klärung.

Wichtige Begriffe

• Erdung: Eine Antwort auf nachprüfbare Beweise stützen.
• Abruf: Relevante Informationen in zugänglichen Quellen finden.
• Regresie / Regression: Eine Änderung, die einen zuvor korrekten Fall aufhebt.

Quellen und Ihr nächster Schritt

• Hugging Face — LLM-Kurs
• Lewis et al. — Retrieval-Augmented Generation
• LangGraph — Workflows und Agenten

Zur Vorbereitung: F04 – Kontext und Gedächtnis: Was sieht KI?