Generative KI Projekte starten häufig mit Prompt Engineering. Liefert das Modell nicht die gewünschten Ergebnisse, wird der Prompt angepasst, erweitert oder komplett neu geschrieben. In vielen Projekten führt dieser Ansatz jedoch nur zu begrenzten Verbesserungen.

Gerade bei fachlich anspruchsvollen Anwendungsfällen, beispielsweise bei der Verarbeitung von Gesetzes- und Regelwerken, stößt Prompt Engineering schnell an seine Grenzen. Die eigentliche Ursache schlechter Ergebnisse liegt oft nicht im Prompt selbst, sondern in der Architektur des Gesamtsystems.

Anhand eines Praxisbeispiels aus dem Umgang mit umfangreichen Rechtstexten zeigt diese Session, wie sich die Qualität von KI-Lösungen systematisch analysieren und verbessern lässt. Wir betrachten typische Fehlerbilder, diskutieren die Grenzen von Prompt Engineering und stellen technische Ansätze wie Retrieval Augmented Generation (RAG), Query Expansion, Re-Ranking, Metadatenanreicherung und agentische Workflows vor.

Die Session vermittelt einen praxisnahen Entscheidungsrahmen, um Qualitätsprobleme zu identifizieren und die passenden technischen Maßnahmen auszuwählen.

Key Takeaways
• Verstehen, warum Prompt Engineering häufig nicht ausreicht
• Typische Ursachen für schlechte KI-Ergebnisse systematisch analysieren
• Geeignete technische Maßnahmen zur Qualitätsverbesserung auswählen
• Praxisnahe Einblicke aus einem realen Projekt mit rechtlichen Fachinhalten

Zielgruppe:
Entwickler, KI Engineers, Architekten und technische Entscheider, die die Qualität von KI-Lösungen über klassisches Prompt Engineering hinaus verbessern möchten.

Dauer:
45 Minuten