Das ist mehr als ein schönes Detail.
Es macht sichtbar, wie Linda eine Frage im inside Kompendium verortet.
Auch eine Frage kann durch ein Embedding-Modell in ein Bedeutungsprofil übersetzt werden.
Dieses Profil wird mit den Bedeutungsprofilen der Kompendium-Sections verglichen.
So entsteht eine erste Orientierung:
Welche Inhalte liegen nahe an der Frage?
Welche Sections kommen als Kontext infrage?
Welche Semantic Groups werden berührt?
Welche Kapitel sind betroffen?
Welche Einträge könnten eine belastbare Antwort stützen?
Unsere Vektorkarte ist dafür interaktiv.
Wir können unterschiedliche Ansichten wählen:
Nach Section Types:
Welche Funktion haben die gefundenen Abschnitte im Kapitel?
Nach Semantic Groups:
Auf welcher Ebene des inside Knowledge Stack bewegt sich die Frage?
Nach Kapiteln:
Wo liegt die Frage in der redaktionellen Struktur des Kompendiums?
Nach Einträgen:
Welche konkreten Wissenseinheiten stehen in der Nähe?
Der Stern hilft uns also zu prüfen:
Sucht Linda im richtigen Bedeutungsraum?
Oder landet die Frage in der Nähe von Inhalten, die sprachlich ähnlich klingen, fachlich aber nicht wirklich passen?
Genau hier wird die Arbeit spannend.
Denn gute Antworten entstehen nicht nur durch ähnliche Wörter.
Sie entstehen durch passenden Kontext.
Eine Frage nach einer Definition braucht andere Sections als eine Frage nach einem Vorgehen.
Eine Frage nach Verantwortung braucht andere Inhalte als eine Reflexionsfrage.
Eine strategische Frage braucht andere Zusammenhänge als eine Navigationsfrage.
Diese Frageabsicht nennen wir Intent.
Der Intent beschreibt, welche Art von Antwort gesucht wird.
Geht es um Begriffsklärung?
Um Begründung?
Um Struktur?
Um Vorgehen?
Um Rollen?
Um Beispiele?
Um Reflexion?
Unsere wichtigste Erkenntnis:
Eine KI muss nicht nur passende Inhalte finden.
Sie muss erkennen, welche Art von Wissen für die Frage gebraucht wird.
Erst dann wird aus Suche eine hilfreiche Antwort.