Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/285313 
Erscheinungsjahr: 
2024
Schriftenreihe/Nr.: 
IUCF Working Paper No. 3/2024
Verlag: 
ZBW - Leibniz Information Centre for Economics, Kiel, Hamburg
Zusammenfassung: 
Retrieval-Augmented Generation (RAG) verbindet auf synergetische Weise das intrinsische Wissen von LLMs mit den riesigen, dynamischen Datenbeständen von Unternehmen. Aufbauend auf dem Grundkonzept einer RAG („Naive RAG“) identifiziert dieses Working Paper kritische Faktoren dieser hochaktuellen Architektur und gibt Hinweise zur Verbesserung. Abschließend werden zukünftige Wege für Forschung und Entwicklung aufgezeigt.
Zusammenfassung (übersetzt): 
Retrieval-Augmented Generation (RAG) synergistically combines the intrinsic knowledge of LLMs with the huge, dynamic databases of companies. Referencing the basic concept of a RAG ("Naive RAG"), this working paper identifies the critical factors of this cutting-edge architecture and gives hints for improvement. Finally, future paths for research and development are outlined.
Schlagwörter: 
KI
RAG
Künstliche Intelligenz
AI
Retrieval-Augmented Generation
JEL: 
M15
Dokumentart: 
Working Paper

Datei(en):
Datei
Größe





Publikationen in EconStor sind urheberrechtlich geschützt.