Anwendung von dateigebundenem Retrieval Augmented Generation bei großen Sprachmodellen

Abstract

Während große Sprachmodelle häufig benutzt werden, um Fragen zu beantworten, kann die Qualität der generierten Antworten durch verschiedene Algorithmen verbessert wer- den. Ein solcher Ansatz ist Retrieval Augmented Generation. Bei diesem unterstützt eine externe Wissensdatenbank die Anfrage mit hilfreichen Informationen. Im Rahmen dieser Arbeit soll eine bereits bestehende Software für die Identifikation von relevanten Informationen innerhalb eines Wissensgraphen verbessert und erweitert wer- den. Hierbei wird ein neuer, verbesserter Algorithmus entwickelt und getestet. Ein Ver- gleich verschiedener Modelle zeigt, dass die neue Methode sowohl in der benötigten Zeit, als auch in der Qualität der gefundenen Daten sehr gute Leistungen liefert. Zusätzlich werden verschiedene Verbesserungen an der Pipeline vorgenommen und die Bedienung der Software maßgeblich vereinfacht. Um die Daten besser abzubilden wird von einer Klartext-Repräsentation auf das Mark- down-Format gewechselt. Dieses bietet eine Möglichkeit strukturelle Hierarchien, Beto- nungen, Tabellen und mehr wiederzugeben. Hierfür wird ein Prototyp eine PDF zu Mark- down Konverters geschrieben, welcher bereits in der Lage ist Überschriften in einem kor- rekten Format zu extrahieren. Obwohl dieser nicht alle Features des Portable Document Formats betrachtet, zeigt dieser bereits vielversprechende Ansätze für die Extraktion wert- voller Formatierungsdaten.