"Systeme zur Erweiterung von Sprachmodellen (LLMs) durch Bereitstellung relevanter externer Informationen. Idealweise produziert das LLM die korrekte Antwort oder antwortet mit "Ich weiß nicht", wenn bestimmte Schlüsselinformationen fehlen. Eine Hauptforderung bei RAG-Systemen ist, dass sie den Benutzer mit halluzinierten (und daher falschen) Informationen täuschen. Die Autoren sind der Meinung, dass die Relevanz des Kontextes allein das falsche Maß ist - sie möchten wissen, ob der Kontext genug Informationen enthält, um die Frage zu beantworten oder nicht. Die Autoren definieren den Kontext als "ausreichend", wenn er alle notwendigen Informationen enthält, um eine definitive Antwort auf die Anfrage zu liefern, und als "unzureichend", wenn er die notwendigen Informationen fehlt. Die Autoren entwickeln eine Methode, um die Ausreichendheit des Kontextes für LLMs zu quantifizieren und starten den LLM-Re-Ranker im Vertex AI RAG-Motor. Die Autoren zeigen, dass es möglich ist, zu wissen, wenn ein LLM genug Informationen hat, um eine korrekte Antwort auf eine Frage zu liefern. Die Autoren verwenden diese Ideen, um die Faktoren zu analysieren, die die Leistung von RAG-Systemen beeinflussen, und um zu analysieren, wann und warum sie erfolgreich oder scheitern. Die Autoren entwickeln einen ausreichenden Kontext-Autorater, der Query-Kontext-Paare auswertet und zeigen, dass sie ausreichenden Kontext mit sehr hoher Genauigkeit klassifizieren können. Die Autoren verwenden ihren ausreichenden Kontext-Autorater, um die Leistung von verschiedenen LLMs und Datenmengen zu analysieren, was zu mehreren Schlüsselbefunden führt."