Grounding ist der Prozess, die Antworten eines Sprachmodells an realen, externen und verifizierbaren Informationen zu verankern, anstatt sich ausschließlich auf das während des Trainings erlernte Wissen zu verlassen. In der Praxis besteht es darin, dem Modell konkrete Quellen bereitzustellen – Dokumente, Datenbanken, Suchergebnisse –, auf denen die generierten Inhalte basieren müssen.
Seine Bedeutung liegt darin, dass es Halluzinationen reduziert, also plausible, aber falsche Behauptungen, die Modelle erzeugen, wenn es ihnen an zuverlässigen Daten mangelt. Indem die KI dazu verpflichtet wird, aus überprüfbaren Quellen zu zitieren oder sich auf diese zu stützen, gewinnen die Antworten an Präzision und Nachvollziehbarkeit. Dies ist besonders kritisch in Bereichen wie dem Gesundheitswesen, dem Rechtswesen oder dem Finanzwesen, in denen ein Fehler schwerwiegende Folgen haben kann.
Eine gängige Technik, um dies zu erreichen, ist RAG (Retrieval-Augmented Generation), die relevante Fragmente aus einer Dokumentenbasis abruft, bevor die Antwort generiert wird. Ein gut verankertes System zeichnet sich üblicherweise dadurch aus, dass es:
- Die konsultierten Quellen angibt.
- Sich auf das beschränkt, was diese belegen.
- Erkennt, wenn nicht genügend Informationen zur Verfügung stehen.