Translations:FACTS About Building Retrieval Augmented Generation-based Chatbots/67/de

Unsere Arbeit kann mit RAG-Papieren zu verschiedenen Themen verglichen werden, die sich mit der RAG-Qualität in allen von uns vorgestellten FACTS-Dimensionen (Frische, Architektur, Kosten, Tests und Sicherheit) befassen. Aufgrund von Platzmangel vergleichen wir unsere Arbeit mit ausgewählten Arbeiten. Barnett et. al. (3) präsentierten sieben Schwachstellen bei der Entwicklung von RAG-Systemen. In ihrer Arbeit heben sie die Herausforderungen hervor, die mit der korrekten Implementierung von Retrieval-Augmented Generation verbunden sind, indem sie ihre Erkenntnisse aus dem Bau von drei Chatbots präsentieren. Wenqi Glantz (6) erläuterte 12 RAG-Schmerzpunkte und präsentierte Lösungen. Wir haben ähnliche Herausforderungen aus erster Hand erlebt, als wir unsere Chatbots entwickelten. Allerdings diskutiert keine dieser Arbeiten die Herausforderungen bei komplexen Abfragen, Tests, dem Umgang mit Dokumentensicherheit und der Notwendigkeit flexibler Architekturen. In unserer Arbeit bauen wir nicht nur auf den oben genannten Schwach-/Schmerzpunkten von RAGs auf, sondern präsentieren auch unsere 15 Kontrollpunkte in RAG-Pipelines und bieten spezifische Lösungen für jede Phase. Außerdem erweitern wir unsere Erkenntnisse und präsentieren praktische Techniken für den Umgang mit komplexen Abfragen, Tests und Sicherheit. Wir präsentieren eine Referenzarchitektur für eine der Implementierungen agentischer Architekturen zur Handhabung komplexer Abfragen, Strategien für das Testen und Bewerten subjektiver Abfrageantworten und sensibilisieren für den Umgang mit Dokument-ACLs und Sicherheit. Darüber hinaus präsentieren wir eine Referenzarchitektur für eine flexible generative KI-basierte Chatbot-Plattform.