Eines der größten Herausforderungen im Kontext von Retrieval-Augmented Generation (RAG) ist der kontinuierliche Aufbau und die Pflege einer aktuellen Wissensbasis (Knowledge Base, KB). Neue Informationen einfach nur hinzuzufügen reicht nicht aus: Sie müssen intelligent mit bestehenden Inhalten abgeglichen, bewertet und transparent zusammengeführt werden.
In deiner Masterarbeit entwickelst du Konzepte und Prototypen, wie neue Wissenseinträge mit bestehenden Strukturen abgeglichen und zusammengeführt werden können. Im Mittelpunkt können autonome oder semi-autonome Agenten stehen, die auf die KB zugreifen, Veränderungen bewerten und aktiv zur Qualitätssicherung beitragen. Ziel ist es, nachvollziehbare Prozesse zu schaffen, die für Menschen transparent und validierbar bleiben.
- Du analysierst bestehende RAG-Architekturen und identifizierst Herausforderungen im Kontext von Wissens-Updates und Konsistenz
- Du entwickelst Methoden, um neue Informationen mit bestehendem Wissen zu vergleichen, zu bewerten und sinnvoll zu integrieren.
- Du konzipierst und implementierst einen prototypischen Ansatz, z. B. auf Basis von Agentensystemen oder automatisierten Pipelines
- Du definierst Metriken und Kriterien für Transparenz, Nachvollziehbarkeit und Qualität des Wissens-Mergings
- Du evaluierst deinen Ansatz anhand realer oder simulierter Daten und dokumentierst die Ergebnisse wissenschaftlich sauber
- Du arbeitest eng mit unseren Fachbereichen und Research-Abteilungen zusammen
- Du unterstützt bei der Weiterentwicklung unserer internen RAG-Lösungen und bringst deine Erkenntnisse direkt in die Praxis ein.
