Bäumer, Frederik SimonBrandt-Pook, HansMatutat, AndréMaoro, FalkPelkmann, DavidSchultenkämper, SergejKlein, MaikeKrupka, DanielWinter, CorneliaGergeleit, MartinMartin, Ludger2024-10-212024-10-212024978-3-88579-746-32944-7682https://dl.gi.de/handle/20.500.12116/45121Kleine und mittlere Unternehmen können von KI-Technologien profitieren, indem sie ihre Effizienz und Wettbewerbsfähigkeit steigern. Retrieval-Augmented Generation-Systeme stellen dabei für KMU eine wertvolle Ressource dar, da sie dabei helfen, große Datenmengen systematisch auszuwerten und gezielt relevante Informationen zu extrahieren. Sie versprechen zudem Verbesserungen in der Informationsverarbeitung und zielen darauf ab, Herausforderungen wie niedrige Antwortqualität und Halluzinationen durch LLMs zu mildern, indem sie Dokumente dynamisch abrufen und diese zur Steuerung der Antworten großer Sprachmodelle nutzen. Jedoch gibt es Herausforderungen, die während der Implementierung auftreten können. In dieser Arbeit erörtern wir die Erkenntnisse, die wir durch Fallstudien gewonnen haben, und setzen sie in Bezug zum aktuellen Forschungsstand.deRetrieval Augmented GenerationLarge Language ModelsInformation RetrievalText/Conference Paper10.18420/inf2024_1461617-54682944-7682