Blog
RAG hat sich in den letzten Jahren zu einem weit verbreiteten Ansatz entwickelt, LLMs mit externem Wissen zu verbinden. Doch was passiert, wenn eine einzige Suche nicht ausreicht? Wenn die ursprüngliche Anfrage für die Suche ungeeignet formuliert ist oder wenn Informationen aus unterschiedlichen Quellen benötigt werden, bspw. aus mehreren Datenbanken oder aus dem Internet? Genau an diesem Punkt beginnen sich Naive RAG, Agentic RAG und Multi-Agentic RAG voneinander zu unterscheiden.
Weiterlesen
Barrierefreiheit muss für viele ein fester Bestandteil des Entwicklungsprozesses werden. Dazu gehört auch das manuelle Testing mit einem Screenreader. Das Problem: NVDA läuft ausschließlich unter Windows, während die meisten Entwicklerteams jedoch unter Linux arbeiten. Mit VirtualBox lässt sich die Brücke schlagen zwischen Linux und NVDA.
Weiterlesen
Wie funktioniert das Prinzip der Bildersuche? Wir geben Ihnen einen Überblick über verschiedene Arten der Bildersuche und erklären, wie ein Bild technisch analysiert wird und welche Rolle Computer Vision dabei spielt.
Weiterlesen
Mit der Weiterentwicklung von Apache NiFi in Richtung Version 2.x zeichnet sich ein klarer Paradigmenwechsel ab: Weg vom klassischen ETL-Tool – hin zu einer integrierten Data- und AI-Plattform. Eine der spannendsten Neuerungen dabei ist die native Unterstützung von Python und die Möglichkeit, KI-Logik direkt in Datenflüsse zu integrieren.
Weiterlesen
Bei der barrierefreien Entwicklung von Webanwendungen, kommt man an Screenreadern nicht vorbei – genau hier stößt man unter Linux schnell an Grenzen.
Weiterlesen
Bei der Nutzung von Suchfunktionen passieren jedem mal Tippfehler. Damit Suchanfragen trotzdem erfolgreich bleiben, setzt Apache Solr auf verschiedene fehlertolerante Mechanismen – klassisch per SpellChecker, aber in aktuellen Versionen auch über moderne Methoden wie neuronale Suche und hybride Vektorsuche.
Weiterlesen
Im dritten Teil der Blogserie werden zwei weitere Wege vorgestellt, mit denen sich das Retrieval in RAG-Systemen gezielt optimieren lässt: Knowledge Graphs und Embedding-Tuning.
Weiterlesen
In Teil 2 der Blogserie werden zwei weitere Ansätze vorgestellt, mit denen sich das Retrieval in RAG-Systemen gezielt verbessern lässt: Reranking und Hypothetical Document Embeddings (HyDE).
Weiterlesen
RAG-Systeme ermöglichen es großen Sprachmodellen, auf externe Daten zuzugreifen und so aktuelle sowie domänenspezifische Antworten zu liefern. Die Qualität der generierten Antworten hängt maßgeblich von der Effizienz und Präzision der zugrunde liegenden Suchmechanismen ab. In einer neuen Blogserie werden verschiedene Strategien zur Optimierung des Retrieval-Prozesses in RAG-Systemen vorgestellt.
Weiterlesen
Mit Apache NiFi 2.0 und Cloudera Flow Management 4.0 stehen moderne Tools zur Verfügung, die Datenprozesse effizienter, sicherer und flexibler machen. Neue Features wie verbesserte Performance, erweiterte Integrationen, KI-Unterstützung sowie eine intuitive Bedienoberfläche bieten Unternehmen eine zukunftssichere Plattform für die Optimierung ihrer Datenflüsse.
Weiterlesen