Skip to main content

​
Wissensdatenbanken und RAG-System

SecureAI nutzt Retrieval-Augmented Generation (RAG), um KI-Modelle mit Ihren privaten Daten und Dokumenten zu verbinden und so sichere, genaue und kontextbezogene Antworten zu gewährleisten.

​
Was ist RAG?

Retrieval-Augmented Generation (RAG) ist eine KI-Technik, die Sprachmodelle mit externen Wissensquellen kombiniert. Anstatt sich ausschließlich auf die vorab trainierten Daten des Modells zu verlassen:
  1. Abfrageverarbeitung: Das System analysiert die Benutzeraufforderung, um relevante Wissensanforderungen zu identifizieren.
  2. Wissensabruf: Die semantische Suche ruft relevante Dokumentblöcke aus Ihrem Index ab.
  3. Kontexterweiterung: Der abgerufene Kontext wird in die Modelleingabeaufforderung eingefügt.
  4. Antwortgenerierung: Die KI generiert eine sachliche, fundierte Antwort unter Berufung auf Ihre Dokumente.

​
Indextypen in SecureAI

Indizes sind strukturierte Wissensdatenbanken, die nach Zugänglichkeit kategorisiert sind:

​
1. Persönliche Indexe

  • Zero-Knowledge-Datenschutz: Ihre Dateien und Gespräche werden mit Mieter-/Benutzerschlüsseln verschlüsselt.
  • Erstellung:
    • Benutzer: Öffnen Sie die Chat-Oberfläche, klicken Sie auf die Indexauswahl neben der Modellauswahl, wechseln Sie zur Registerkarte Persönlich und klicken Sie auf +.
    • Admins: Gehen Sie zu Admin? Indexverwaltung? Erstellen Sie einen Index und weisen Sie ihn einem bestimmten Benutzer zu.

​
2. Gruppenindizes

  • Zusammenarbeit: Mehrere Teammitglieder können Dokumente abfragen und zur gleichen Wissensdatenbank beitragen.
  • Erstellung:
    • Gehen Sie zu Admin? Gruppenleitung? Erstellen Sie eine Gruppe, weisen Sie Mitglieder zu und verknüpfen Sie einen gemeinsamen Gruppenindex.

​
3. Globale Indizes

  • Unternehmensweite Standards: Zentralisierte Repositories für Unternehmens-Compliance, rechtliche Bestimmungen und Betriebsrichtlinien.
  • Erstellung: Gehen Sie zu Admin? Indexverwaltung? Erstellen Sie einen Index und legen Sie den Gültigkeitsbereich auf Global fest.

​
So funktioniert die Indizierung

Wenn Sie Dateien hochladen (PDFs, Word-Dokumente, CSV, JSON, Markdown oder Nur-Text): Rohdokument –? Textextraktion --? Semantisches Chunking –? Vektoreinbettungen --? Vektorspeicher (Index)
  1. Dokumentenverarbeitung: Text und Metadaten (Zeitstempel, Dateinamen) werden extrahiert und bereinigt.
  2. Chunking: Der Inhalt wird in optimierte semantische Blöcke mit Überlappung aufgeteilt, um die kontextuelle Kontinuität aufrechtzuerhalten.
  3. Einbettungsgenerierung: Chunks werden in hochdimensionale Vektoreinbettungen umgewandelt.
  4. Vektorspeicher: Einbettungen werden in leistungsstarken Vektordatenbanken gespeichert, um die Ähnlichkeit sofort abzurufen.

​
Best Practices

  • Benennung: Verwenden Sie klare, beschreibende Namen für Indizes und hochgeladene Dateien (z. B. HR-Policy-2026 anstelle von doc1).
  • Dateivorbereitung: Stellen Sie sicher, dass die hochgeladenen Dokumente Klartext sind; Bereinigen Sie Scans mit geringer Qualität vor dem Hochladen.
  • Dateibeschränkungen: Standard-Uploads unterstützen Dateien bis zu 10 MB pro Stapel.
  • Angemessener Umfang: Bewahren Sie vertrauliche persönliche Notizen in persönlichen Verzeichnissen auf; Verschieben Sie Teamressourcen in Gruppenindizes.