Artikel für Leute, die
den Stack ausliefern
Beiträge zu React, Node.js, TypeScript und AI. Ein übersetzter Text wird gezeigt, wenn er existiert. Sonst sehen Sie den englischen Text und einen Hinweis.
Tag: Evaluation
Ontologiestruktur versus Modellgröße: Was das Design eines Graphen einen KI-Agenten kostet.
Wie drei verlustfreie Strukturen eines Versicherungswissensgraphen die Genauigkeit, Toolaufrufe, Tokens sowie die Kosten für kleine und große Modelle in Azure Cosmos DB veränderten.
30 Min. LesezeitFünfzig Jahre Forschung im Bereich Informationsabrufung – verborgen in Ihrem RAG-Pipeline.
Das RAG-Chunking, die hybride Suche, HyDE, das Neuranking sowie die Bewertungsmethoden haben alle seit Jahrzehnten existierende Vorgänger in der Informationsabrufung. Ein Überblick über die Forschung und deren Grenzen.
17 Min. LesezeitWas ein Modell-Differenzierungs-Agent herausfindet: Stiländerungen überlagern eine feine Anpassung.
Ein Modell-Differenzierungs-Agent überprüfte eine Finanz-LoRA-Feinabstimmung: 82 Prozent der Durchläufe erkannten die Änderung in Länge und Struktur, während die beabsichtigte Veränderung im Denkprozess verborgen blieb.
15 Min. LesezeitPrüfung von RAG-Aufrufen hinsichtlich veralteter Datenblöcke, Abweichungen und störenden Kontexten.
Eine Python-Auditorie für RAG-Auswertung: Goldene Abfragen, Kosinus-Relevanzprüfungen, Kolmogorov-Smirnov-Drift-Prüfungen sowie Kontexteffizienz – dazu erklärt, wie man den Bericht liest.
12 Min. LesezeitDebugging von RAG-Auswertungsmethoden: Recall@K, BM25, hybride Fusion sowie Neubewertung
Ein kleines Experiment mit einem RAG-Pipeline, bei dem der richtige Chunk auf dem vierten Platz landete, um zu zeigen, wie Chunking, BM25, Rangfusion und Neuranking die Recall@3-Werte sowie den MRR verändern.
11 Min. LesezeitRAG-Anything bei 65 Weinbüchern: Wo die Graphenabfrage erfolgreich ist und wo sie versagt.
Ein praktischer Test des Wissensgraphen von RAG-Anything anhand von 65 Wein-PDFs: Auswahl des Parsers, Kosten, Vergleich von Graphen- und Vektorantworten sowie das Problem bei Schaumweinen.
12 Min. LesezeitVom Prototypen zur produktiven RAG-Lösung: Hybride Suche, Agenten und Bewertungsmethoden.
Eine Referenzarchitektur für RAG in der Produktion mit .NET: Chunking, hybride und grafbasierte Suchverfahren, Neubewertung, Abfragenplanung, typisierte Ausgaben und kontinuierliche Bewertung.
8 Min. LesezeitWarum Produktions-AI-Agenten mehr als nur einen guten Prompt benötigen
Produktions-KI-Agenten benötigen mehr als nur einen guten Prompt: Kontext, Tools, Speicherfähigkeit, Fehlerbehandlung, Überwachbarkeit, Testing sowie Autonomie, die zum tatsächlichen Risiko passen.
7 Min. LesezeitEin Feldverzeichnis von RAG: Von den Grundprinzipien bis zu Produktionsfehlern
Zwei Pipelines, drei Schritte und eine Liste der benannten Fehler: Wie Retrieval-augmented Generation funktioniert, wo sie versagt, und welche Lösungen jedes Problem beheben.
7 Min. Lesezeit
Über diese Artikel
Angebot in 24 Stunden
Denselben Stack in einer Operator-Schicht? Brief schicken — Angebot in 24 Stunden.