Cernion RAG-Ingestion-Strategie

Quellenspezifische Vektorisierung für KRITIS-konforme KI

In der Energiewirtschaft führt eine "One-Size-Fits-All"-Vektorisierung von Dokumenten unweigerlich zu Halluzinationen. Cernion nutzt daher eine quellenspezifische RAG-Ingestion-Strategie (Retrieval-Augmented Generation), die den KRITIS-Anforderungen gerecht wird.

Quellenspezifische Profile

Dokumente werden je nach Typ unterschiedlich extrahiert:

  • EnWG/EEG (Gesetze): Harte Boolesche Extraktion. Fokus auf Wenn-Dann-Bedingungen (L1_Rule).
  • BDEW (Leitfäden): Prozess-Extraktion. Fokus auf Rollen und Use-Cases (z.B. Kaskadenmessung).
  • VDE FNN (Technik): Parameter-Extraktion. Fokus auf physikalische Heuristiken und $g$-Faktoren für die Netzplanung.

Data-Lineage & Provenienz

Jeder Vektor-Payload führt strikte Metadaten mit sich (oeoTags, legalRefs, extractionModel). Dadurch ist zu jedem Zeitpunkt – sowohl für den Agenten als auch für den menschlichen Prüfer – transparent nachvollziehbar, auf welchem Paragrafen oder welcher BNetzA-Festlegung eine Antwort basiert.

Agentic Asset-MDM in der Praxis

Theoretische Methodik ist gut – operative Software ist besser. Cernion bietet die schlüsselfertige Architektur zur automatisierten Konsistenzprüfung, basierend auf den Prinzipien dieses Wikis (Local-First, XAI, OEO).

Use-Case besprechen →