Suche neu definiert: Wie neue Konversations-Engines veraltete LLMs und kontextlose traditionelle Suchmaschinen überwinden

Die Einführung dialogorientierter Suchmaschinen verändert die Art und Weise, wie wir online Informationen abrufen. Sie verlagern sich von der traditionellen Stichwortsuche hin zu natürlicheren, dialogorientierten Interaktionen. Durch die Kombination von Large Language Models (LLMs) mit Echtzeit-Webdaten lösen diese neuen Systeme zentrale Probleme sowohl veralteter LLMs als auch herkömmlicher Suchmaschinen. In diesem Artikel untersuchen wir die Herausforderungen von LLMs und stichwortbasierten Suchen und zeigen, wie dialogorientierte Suchmaschinen eine vielversprechende Lösung bieten.

Veraltetes Wissen und Zuverlässigkeitsprobleme in LLMs

Große Sprachmodelle (LLMs) haben unsere Methoden zum Zugriff auf und zur Interpretation von Informationen erheblich verbessert, haben jedoch eine große Einschränkung: Sie können keine Echtzeit-Updates bereitstellen. Diese Modelle werden anhand umfangreicher Datensätze trainiert, die Text aus Büchern, Artikeln und Websites enthalten. Diese Trainingsdaten spiegeln jedoch nur das Wissen bis zum Zeitpunkt ihrer Erfassung wider, was bedeutet, dass LLMs nicht automatisch mit neuen Informationen aktualisiert werden können. Um dies zu beheben, müssen LLMs neu trainiert werden, ein Prozess, der sowohl ressourcenintensiv als auch kostspielig ist. Dazu gehört das Sammeln und Kuratieren neuer Datensätze, das erneute Trainieren des Modells und die Validierung seiner Leistung. Jede Iteration erfordert erhebliche Rechenleistung, Energie und finanzielle Investitionen, was Bedenken hinsichtlich der Umweltauswirkungen aufgrund erheblicher Kohlenstoffemissionen aufkommen lässt.

Die statische Natur von LLMs führt oft zu Ungenauigkeiten in ihren Antworten. Bei Fragen zu aktuellen Ereignissen oder Entwicklungen können diese Modelle Antworten auf der Grundlage veralteter oder unvollständiger Informationen generieren. Dies kann dazu führen, dass „Halluzinationen”, bei denen das Modell falsche oder erfundene Fakten produziert, was die Zuverlässigkeit der bereitgestellten Informationen untergräbt. Darüber hinaus haben LLMs trotz ihrer umfangreichen Trainingsdaten Schwierigkeiten, den gesamten Kontext aktueller Ereignisse oder neu entstehender Trends zu verstehen, was ihre Relevanz und Wirksamkeit einschränkt.

Ein weiterer wesentlicher Nachteil von LLMs ist die mangelnde Quellentransparenz. Im Gegensatz zu herkömmlichen Suchmaschinen, die Links zu Originalquellen bereitstellen, generieren LLMs Antworten auf Basis aggregierter Informationen, ohne deren Herkunft anzugeben. Das Fehlen von Quellen erschwert es Nutzern nicht nur, die Richtigkeit der Informationen zu überprüfen, sondern schränkt auch die Nachvollziehbarkeit der Inhalte ein, wodurch die Zuverlässigkeit der Antworten erschwert wird. Folglich kann es für Nutzer schwierig sein, die Informationen zu validieren oder die Originalquellen der Inhalte zu erkunden.

Kontext- und Informationsüberflutungsherausforderungen bei herkömmlichen Websuchmaschinen

Obwohl herkömmliche Websuchmaschinen für den Zugriff auf eine breite Palette von Informationen nach wie vor unverzichtbar sind, stehen sie vor mehreren Herausforderungen, die die Qualität und Relevanz ihrer Ergebnisse beeinträchtigen. Eine große Herausforderung bei dieser Websuche ist die Schwierigkeit, den Kontext zu verstehen. Suchmaschinen verlassen sich stark auf den Abgleich von Schlüsselwörtern, was häufig zu Ergebnissen führt, die nicht kontextrelevant sind. Dies bedeutet, dass Benutzer eine Flut von Informationen erhalten, die nicht direkt auf ihre spezifische Anfrage eingehen, was es schwierig macht, diese zu durchforsten und die relevantesten Antworten zu finden. Suchmaschinen verwenden zwar Algorithmen zum Ranking der Ergebnisse, liefern jedoch häufig keine personalisierten Antworten basierend auf den individuellen Bedürfnissen oder Vorlieben einer Person. Dieser Mangel an Personalisierung kann zu allgemeinen Ergebnissen führen, die nicht zum spezifischen Kontext oder den Absichten des Benutzers passen. Darüber hinaus sind Suchmaschinen anfällig für Manipulationen durch SEO-Spamming und Linkfarmen. Diese Praktiken können die Ergebnisse verzerren und weniger relevante oder qualitativ minderwertige Inhalte an die Spitze der Suchrankings befördern. Benutzer können dadurch irreführenden oder verzerrten Informationen ausgesetzt sein.

Entstehung der Konversationssuchmaschine

Eine Konversationssuchmaschine stellt einen Paradigmenwechsel in der Art und Weise dar, wie wir online mit Informationen interagieren und diese abrufen. Im Gegensatz zu herkömmlichen Suchmaschinen, die auf Keyword-Matching und algorithmischem Ranking basieren, um Ergebnisse zu liefern, nutzen Konversationssuchmaschinen erweiterte Sprachmodelle, um Benutzeranfragen auf natürliche, menschenähnliche Weise zu verstehen und zu beantworten. Dieser Ansatz zielt darauf ab, eine intuitivere und effizientere Möglichkeit zur Informationssuche zu bieten, indem Benutzer in einen Dialog verwickelt werden, anstatt eine Liste mit Links anzuzeigen.

Konversationssuchmaschinen nutzen die Leistungsfähigkeit großer Sprachmodelle (LLMs), um den Kontext von Abfragen zu verarbeiten und zu interpretieren, was genauere und relevantere Antworten ermöglicht. Diese Engines sind so konzipiert, dass sie dynamisch mit Benutzern interagieren, Folgefragen stellen, um die Suche zu verfeinern, und bei Bedarf zusätzliche Informationen anbieten. Auf diese Weise verbessern sie nicht nur das Benutzererlebnis, sondern auch die Qualität der abgerufenen Informationen erheblich.

Einer der Hauptvorteile von Konversationssuchmaschinen ist ihre Fähigkeit, Echtzeit-Updates und Kontextverständnis bereitzustellen. Durch die Integration von Informationsabruffunktionen mit generativen Modellen können diese Engines die neuesten Daten aus dem Internet abrufen und integrieren und so sicherstellen, dass die Antworten aktuell und genau sind. Dies behebt eine der größten Einschränkungen traditioneller LLMs, die häufig auf veralteten Trainingsdaten basieren.

Darüber hinaus bieten Konversationssuchmaschinen ein Maß an Transparenz, das herkömmlichen Suchmaschinen fehlt. Sie verbinden Benutzer direkt mit glaubwürdigen Quellen und bieten klare Zitate und Links zu relevanten Inhalten. Diese Transparenz schafft Vertrauen und ermöglicht es Benutzern, die erhaltenen Informationen zu überprüfen, was zu einem fundierteren und kritischeren Umgang mit der Informationsnutzung führt.

Konversationssuchmaschine vs. Retrieval Augmented Generation (RAG)

Heutzutage ist eines der am häufigsten verwendeten KI-gestützten Informationsabrufsysteme als RAG bekannt. Während Konversationssuchmaschinen Ähnlichkeiten mit RAGs, sie unterscheiden sich wesentlich, insbesondere in ihren Zielen. Beide Systeme kombinieren Informationsabruf mit generativen Sprachmodellen, um genaue und kontextrelevante Antworten zu liefern. Sie extrahieren Echtzeitdaten aus externen Quellen und integrieren sie in den generativen Prozess, um sicherzustellen, dass die generierten Antworten aktuell und umfassend sind.

Allerdings sind RAG-Systeme wie Bing, konzentrieren sich auf die Zusammenführung abgerufener Daten mit generativen Ausgaben, um präzise Informationen zu liefern. Sie verfügen nicht über Folgefunktionen, mit denen Benutzer ihre Suchvorgänge systematisch verfeinern können. Im Gegensatz dazu sind Konversationssuchmaschinen wie OpenAIs SucheGPT, verwickeln Benutzer in einen Dialog. Sie nutzen erweiterte Sprachmodelle, um Anfragen auf natürliche Weise zu verstehen und zu beantworten, und bieten Folgefragen und zusätzliche Informationen, um die Suche zu verfeinern.

Real World Beispiele

Hier sind zwei Beispiele aus der Praxis für Konversationssuchmaschinen:

• Verwirrung: Verwirrung ist eine Konversationssuchmaschine, die es Benutzern ermöglicht, auf natürliche und kontextbezogene Weise mit Online-Informationen zu interagieren. Sie bietet Funktionen wie die Option „Fokus“, um die Suche auf bestimmte Plattformen einzugrenzen, und die Funktion „Verwandte“, um Folgefragen vorzuschlagen. Perplexity arbeitet nach einem Freemium-Modell, wobei die Basisversion eigenständige LLM-Funktionen bietet und die kostenpflichtige Version Perplexity Pro erweiterte Modelle wie GPT-4 und Claude 3.5 sowie verbesserte Abfrageverfeinerung und Datei-Uploads bietet.
• SucheGPT:  OpenAI hat kürzlich SearchGPT eingeführt, ein Tool, das die Konversationsfähigkeiten großer Sprachmodelle (LLMs) mit Echtzeit-Web-Updates verbindet. Dies hilft Benutzern, intuitiver und unkomplizierter auf relevante Informationen zuzugreifen. Im Gegensatz zu herkömmlichen Suchmaschinen, die überwältigend und unpersönlich sein können, liefert SearchGPT präzise Antworten und bindet Benutzer in Konversation ein. Es kann bei Bedarf Folgefragen stellen und zusätzliche Informationen anbieten, wodurch das Sucherlebnis interaktiver und benutzerfreundlicher wird. Ein Hauptmerkmal von SearchGPT ist seine Transparenz. Es verbindet Benutzer direkt mit glaubwürdigen Quellen und bietet klare Zitate und Links zu relevanten Inhalten. Dies ermöglicht es Benutzern, Informationen zu überprüfen und Themen gründlicher zu untersuchen.

Fazit

Konversationssuchmaschinen verändern die Art und Weise, wie wir online nach Informationen suchen. Durch die Kombination von Echtzeit-Webdaten mit fortschrittlichen Sprachmodellen beheben diese neuen Systeme viele der Mängel veralteter Large Language Models (LLMs) und traditioneller schlüsselwortbasierter Suchen. Sie bieten aktuellere und genauere Informationen und verbessern die Transparenz, indem sie direkt auf glaubwürdige Quellen verlinken. Konversationssuchmaschinen wie SearchGPT und Perplexity.ai entwickeln sich weiter und bieten einen intuitiveren und zuverlässigeren Suchansatz, der die Einschränkungen älterer Methoden überwindet.