Vertrauenswürdiges RAG-System für technische Prüfdokumentation
Für die drahtlose Test- und Messtechnik-Sparte war klassisches RAG unzuverlässig, weil technische Dokumentation mehrsprachig ist, viele Informationen in komplexen Tabellen als Bildern stecken und Nutzeranfragen oft mehrdeutig sind. Rohde & Schwarz und appliedAI kombinierten Text- und Bild-Retrieval mit gezieltem Fine-Tuning und einem Dialog-Chatbot statt reinem Q&A. Die Antwortgenauigkeit verbesserte sich dadurch um 46 Prozent gegenüber der ursprünglichen RAG-Pipeline.
Vertiefung
Kernstück ist eine duale Pipeline: eine textbasierte Retrieval-Komponente und eine Vision-Pipeline für tabellarische Inhalte, ergänzt um Retrieval-Fine-Tuning mit synthetisch durch LLMs erzeugten Trainingsdaten. Zusätzlich wurde von einem reinen Frage-Antwort-System auf einen Dialog-Chatbot umgestellt, der bei unklaren Anfragen gezielt nachfragt. Als Nebenergebnis zeigte das Team, dass LLM-gestützte Bewertung menschliches Urteil skalierbar nachbilden kann, was die Qualitätssicherung von RAG-Systemen erleichtert. Der Ansatz ist auf andere Branchen mit stark tabellenlastiger, mehrsprachiger technischer Dokumentation übertragbar, etwa Mess-, Prüf- und Zertifizierungsdienstleister.