Seminar Docling – Wissensbestände für Suche und RAG aufbereiten

Die Qualität einer dokumentbasierten Suche hängt wesentlich davon ab, wie die Eingabedokumente aufbereitet werden. Fehlende Absätze, getrennte Überschriften oder unbrauchbar zerschnittene Tabellen können passende Antworten verhindern. Das Seminar richtet die Verarbeitung mit Docling deshalb konsequent auf nachvollziehbare Fundstellen und messbare Suchqualität aus.

Aus einem vorbereiteten Wissensbestand entsteht ein lokaler Suchprototyp. Dokumentstrukturen werden geprüft, Inhalte in geeignete Abschnitte zerlegt und mit Dokumentkennungen, Versionsständen und vorhandenen Seitenangaben verbunden. Unterschiedliche Chunking-Strategien werden anhand derselben Fragen verglichen. Einfache Metadatenfilter und kontrollierte Aktualisierungen ergänzen den Aufbau.

Die optionale Antwortgenerierung wird als nachgelagerter Bestandteil einer RAG-Kette eingeordnet. Docling übernimmt die Dokumentaufbereitung; Embedding-Modell, Suchindex und gegebenenfalls ein Sprachmodell werden gesondert bereitgestellt. Der Schwerpunkt bleibt auf Datenqualität, auffindbaren Belegen und Tests. Eine bessere Textaufbereitung garantiert weder fehlerfreie Modellantworten noch die automatische Durchsetzung aller Zugriffsrechte.

Lernziele

• Die Dokumentaufbereitung für einen definierten Suchanwendungsfall planen.
• Strukturbezogenes und tokenorientiertes Chunking sinnvoll kombinieren.
• Dokumentherkunft, Versionen und Zugriffsmerkmale mit den Daten erhalten.
• Einen lokalen Suchindex mit kontrollierten Aktualisierungen und Löschungen aufbauen.
• Retrieval-Ergebnisse anhand eines festen Fragensatzes messen und verbessern.

Zielgruppe

Entwickler von Such- und KI-Anwendungen, Data Engineers und technische Verantwortliche für interne Wissensbestände.

Voraussetzungen

Praktische Docling- und Python-Kenntnisse sowie Grundverständnis von Embeddings und Suchindizes. Erfahrungen mit dem Tabellen-Aufbauseminar sind bei tabellenreichen Beständen hilfreich.

Inhaltsübersicht

1. Anforderungen und Referenzbestand
2. Strukturbezogenes Chunking
3. Embeddings und Suchindex
4. Aktualisierung und Datenpflege
5. Retrieval-Qualität bewerten
6. RAG-Einbindung und Prüfgrenzen

Anforderungen und Referenzbestand

• Suchfragen, erwartete Fundstellen und relevante Dokumentklassen erfassen.
• Geeignete digitale Dokumente und Scans mit überprüfter Struktur vorbereiten.
• Fachlich relevante Metadaten und nachvollziehbare Dokumentkennungen festlegen.

Strukturbezogenes Chunking

• Markdown-basierte Zerlegung und native Docling-Chunker vergleichend einordnen.
• Hierarchische und hybride Verfahren mit einem passenden Tokenizer erproben.
• Überschriften, Tabellenzusammenhang und verfügbare Herkunftsinformationen beim Zerlegen erhalten.

Embeddings und Suchindex

• Vorbereitete lokale Embeddings erzeugen und mit Metadaten in einen Übungsindex übernehmen.
• Chunk-Größe, Kontextumfang und Doppelerfassungen anhand gleicher Suchfragen vergleichen.
• Metadatenfilter als technischen Baustein einer weitergehenden Zugriffskontrolle einsetzen.

Aktualisierung und Datenpflege

• Dokumentänderungen anhand eindeutiger Kennungen und Versionsstände erkennen.
• Veraltete Chunks ersetzen und gelöschte Dokumente aus dem Suchindex entfernen.
• Fehler bei Teilaktualisierungen nachvollziehbar behandeln und einen konsistenten Indexstand prüfen.

Retrieval-Qualität bewerten

• Erwartete Fundstellen und tatsächlich gefundene Abschnitte gegeneinander prüfen.
• Trefferqualität, fehlende Treffer und störende Mehrfachtreffer getrennt auswerten.
• Chunking-Änderungen nur mit demselben Referenzfragensatz vergleichen.

RAG-Einbindung und Prüfgrenzen

• Gefundene Abschnitte mit nachvollziehbaren Dokumentstellen an eine vorbereitete Antwortkomponente übergeben.
• Unzureichende Belege und im Dokument enthaltene manipulative Anweisungen als Testfälle berücksichtigen.
• Den Umgang mit fehlenden Fundstellen und nicht erlaubten Dokumenten explizit prüfen.

Praktische Übungen

1. Einen überschaubaren Wissensbestand mit Testfragen und erwarteten Fundstellen vorbereiten.
2. Docling-Ausgaben prüfen und zwei Chunking-Varianten erzeugen.
3. Chunks mit Metadaten in den lokalen Übungsindex übernehmen.
4. Suchqualität vergleichen und eine begründete Konfiguration festlegen.
5. Dokumente ändern und löschen; Indexstand und Zugriffsfilter anschließend erneut prüfen.

Arbeitsumgebung

Vorbereitete lokale Umgebung mit Docling, Tokenizer, Embedding-Modell und Suchindex. Eine optionale Antwortkomponente wird vorbereitet bereitgestellt; der Aufbau eines eigenen Sprachmodells ist nicht erforderlich.