Zum Inhalt springen

    Vergiftung einer RAG-Wissensbasis

    KI-Grundlagen & ModelleRAG PoisoningRetrieval Poisoning
    Lesezeit: 2 Min.Redaktionell geprüft am:
    ← Alle Begriffe

    Definition

    RAG-Poisoning schleust manipulierte Inhalte in eine abrufbare Wissensbasis ein.

    Ein Angriff, bei dem manipulierte Inhalte in eine abrufbare Wissensbasis oder deren Aufnahmepipeline gelangen, um Retrieval und nachgelagerte Antworten gezielt zu beeinflussen.

    Einfach erklärt

    Jemand verändert das Nachschlagewerk eines Assistenten, damit dessen spätere Antworten gezielt beeinflusst werden.

    Warum das im Alltag wichtig ist

    Der Begriff hilft, KI-Systeme fundiert auszuwählen, zu entwickeln, zu bewerten und ihre technischen Risiken realistisch einzuordnen.

    Beispiel aus dem Mittelstand

    Eine manipulierte interne Seite drängt bei bestimmten Fragen falsche Zahlungsdaten in den Kontext.

    Grenzen und Fallstricke

    • Jede falsche oder veraltete Quelle als Angriff bezeichnen, nur Modellgewichte schützen oder Herkunft, Freigaben, Änderungsüberwachung, Ranking und Zugriffsschutz der Wissensbasis vernachlässigen.

    Entstehung & Geschichte

    Der Angriff verbindet Data Poisoning mit retrievalgestützten Sprachmodellen und wurde mit deren Einsatz praktisch relevant.

    Anwendung im Mittelstand

    • Mögliche Anwendung: Eine manipulierte interne Seite drängt bei bestimmten Fragen falsche Zahlungsdaten in den Kontext.

    Häufige Fragen

    Was bedeutet Vergiftung einer RAG-Wissensbasis?

    Ein Angriff, bei dem manipulierte Inhalte in eine abrufbare Wissensbasis oder deren Aufnahmepipeline gelangen, um Retrieval und nachgelagerte Antworten gezielt zu beeinflussen. Welche Fehler sollte man vermeiden? Jede falsche oder veraltete Quelle als Angriff bezeichnen, nur Modellgewichte schützen oder Herkunft, Freigaben, Änderungsüberwachung, Ranking und Zugriffsschutz der Wissensbasis vernachlässigen.

    Quellen

    Quelle geprüft am 10.10.2026. Redaktionelle Anwendungsbeispiele sind hypothetisch; kein Nachweis realer Kundenergebnisse.

    Redaktionell geprüft am:

    Auf dieser Seite

    Nächster Schritt

    Vom Wissen zur Anwendung