Mit der Fundierung können Sie Modellantworten erstellen, die vertrauenswürdiger, hilfreicher und sachlicher sind. Wenn Sie Antworten von generativen KI-Modellen fundieren, verbinden Sie sie mit überprüfbaren Informationsquellen. Um die Erdung zu implementieren, müssen Sie in der Regel relevante Quelldaten abrufen. Wir empfehlen, die Methode „Retrieval-Augmented Generation“ (RAG) zu verwenden. Die Suche erfolgt in der Regel mit einer Suchmaschine, die einen Index verwendet, der die semantischen Bedeutungen des Quelltexts enthält.
Es gibt auch Dienste und Komponenten-APIs, die den RAG-Lebenszyklus implementieren, z. B. die Vertex AI Search Builder API, die eine Kombination verschiedener Elemente ermöglicht. Mit dem Mix-and-Match-Prinzip können Sie eine RAG-Lösung mit einem der folgenden Dienste oder APIs implementieren:
- API zur Generierung von Begründungen: Sie können damit eine Begründung implementieren oder eine Verknüpfung mit einem Abrufanbieter für den gesamten RAG-Lebenszyklus herstellen.
- Document Layout Parser: Dieser Parser vereint die Vorteile von Document AI und Gemini für die Dokumentenanalyse.
- Vertex AI Vector Search: Dieser Suchdienst ist hoch performant und verwendet eine hochwertige Vektordatenbank.
- Grounding API prüfen: Diese API vergleicht die RAG-Ausgabe mit den abgerufenen Fakten und trägt dazu bei, dass alle Aussagen fundiert sind, bevor die Antwort an den Nutzer zurückgegeben wird.
Nächste Schritte
- Weitere Informationen zu verantwortungsbewusster KI und Sicherheitsfiltern finden Sie unter Best Practices für verantwortungsbewusste KI und Sicherheitsfilter von Vertex AI.
- Weitere Informationen dazu, wie RAG von der RAG Engine implementiert wird, finden Sie unter RAG Engine.