Was ist RAG (Retrieval-Augmented Generation) in der Mode?
Retrieval-Augmented Generation: Ein KI-Modell sucht zuerst relevante Dokumente und stützt seine Antwort darauf.
Kurz erklärt
RAG, kurz für Retrieval-Augmented Generation, ist ein Verfahren, bei dem ein KI-Modell zuerst relevante Dokumente nachschlägt und seine Antwort dann darauf stützt. In der Mode können Assistenten so Fragen auf Basis der eigenen Line Sheets, Konditionen und Produktdaten eines Unternehmens beantworten, ohne dass das Modell neu trainiert werden muss.
Wie funktioniert es in der Praxis?
Stellt ein Nutzer eine Frage, durchsucht das System eine Wissensbasis nach den relevantesten Passagen und fügt sie dem Prompt hinzu. Das Sprachmodell formuliert seine Antwort dann auf Grundlage dieses Materials. Ein Wholesale-Assistent, der nach dem Lieferfenster eines Styles gefragt wird, kann vor der Antwort das aktuelle Line Sheet und die Lieferkonditionen abrufen, statt sich auf das zu verlassen, was das Modell im Training gelernt hat.
Typische Wissensquellen für RAG in der Mode sind:
- Line Sheets, Preislisten und Orderfenster.
- Produktstammdaten, Materialzusammensetzung und Pflegeinformationen.
- Wholesale-Konditionen, Rückgaberichtlinien und Zahlungsbedingungen.
- Interne Leitfäden für Handelsvertreter und Kundenservice.
Warum ist das wichtig?
Informationen in der Mode ändern sich jede Saison, manchmal jede Woche. RAG hält Antworten aktuell, weil die Aktualisierung eines Dokuments sofort aktualisiert, was der Assistent weiss. Da Antworten auf abgerufenen Quellen beruhen, lassen sie sich mit Quellenangaben anzeigen und überprüfen, was Vertrauen bei Einkäufern und internen Teams schafft.
Wie nutzt KI es?
RAG kombiniert mehrere Bausteine: Embeddings, die Dokumente nach ihrer Bedeutung abbilden, eine Vektordatenbank, die ähnliche Passagen findet, und ein Sprachmodell, das die Antwort formuliert. Es ist einer der gängigsten Wege, wie Unternehmen allgemeine KI-Modelle mit ihren eigenen Daten verbinden.
Typische Fallstricke
- Unordentliche Quelldokumente. Veraltete oder widersprüchliche Dateien führen zu falschen Antworten, die überzeugt vorgetragen werden.
- Schwaches Retrieval. Verfehlt der Suchschritt die richtige Passage, füllt das Modell Lücken womöglich durch Raten.
- Zugriffskontrolle. Das Retrieval muss berücksichtigen, welche Einkäufer oder Kunden welche Preise und Konditionen sehen dürfen.
- Keine Quellenangaben. Ohne sichtbare Quellen können Nutzer Antworten nicht überprüfen.
Häufige Fragen
Warum RAG nutzen, statt ein Modell mit Unternehmensdaten zu trainieren?
RAG ist günstiger, schneller zu aktualisieren und leichter zu prüfen. Ändert sich eine Preisliste oder eine Richtlinie, aktualisiert man das Dokument, statt das Modell neu zu trainieren.
Kann RAG verhindern, dass KI etwas erfindet?
Es senkt das Risiko erheblich, weil Antworten in echten Dokumenten verankert werden, beseitigt es aber nicht vollständig. Gutes Retrieval, klare Anweisungen und menschliche Prüfung bleiben nötig.
