HybridRAG zur Fehlerdiagnose: Ein Überblick

Abstract

Unerwartete Stillstände in industriellen Anlagen verursachen hohe Kosten. Um Stillstandszeiten zu minimieren, müssen Werker in der Instandhaltung schnell und zuverlässig handeln. Dafür benötigen sie schnellen Zugriff auf relevante Informationen. Diese liegen jedoch in verschiedenen Quellen vor und sind über verschiedene Systeme verteilt, was die Suche und Interpretation erschwert. Die Werker benötigen daher Assistenzsysteme, die relevante Informationen aus diesen Quellen gezielt abrufen und Anfragen direkt beantworten können. Sprachmodelle (LLMs) eignen sich zur Beantwortung textueller Fragen und, jedoch liefern sie bei Fragen zu unternehmensinternen Quellen ungenaue Antworten, weil sie keinen Zugriff auf die spezifischen Daten haben. Retrieval-Augmented Generation (RAG) überwindet diese Schwäche, indem es Sprachmodelle mit unternehmensinternen Wissensquellen kombiniert. RAG-Systeme unterscheiden sich in ihrer Verarbeitungsstrategie, darunter vektorbasiertes RAG (VectorRAG) und graphbasiertes RAG (GraphRAG). VectorRAG sucht nach ähnlichen Textstellen in Dokumenten, kann aber keine Schlussfolgerungen über mehrere Wissensstufen ziehen. GraphRAG nutzt Wissensgraphen für solches mehrstufiges Schlussfolgern, ist jedoch auf hochwertige Graphdaten angewiesen. Hybride RAG-Systeme (HybridRAG) kombinieren beide Ansätze und gleichen so deren jeweilige Schwächen aus. Dieser Beitrag untersucht anhand einer strukturierten Literaturanalyse HybridRAG-Systeme für die industrielle Werkerassistenz und vermittelt Forschenden und Praktikern ein strukturiertes Verständnis, indem er domänenübergreifende Integrationsmethoden in fünf Muster klassifiziert, Routingkriterien zur Pipeline-Auswahl beschreibt und Evaluationsrahmen und Metrikfamilien für industrielle HybridRAG-Systeme einordnet.