Publikationen

Wir präsentieren die Ergebnisse einer nutzerbasierten Studie zu MosaicRAG, die belegt, dass Anwender die generativen KI-Funktionen und den modularen Ansatz zur Erstellung persönlicher Suchmaschinen als nützlich und informativ bewerten. Zudem demonstrieren wir die Eignung des Frameworks als flexible Forschungsplattform, um auch in Zukunft verschiedenste RAG-basierte Suchfunktionen und Index-Kombinationen nutzerzentriert entwickeln und testen zu können.

Wir stellen ein Konzept vor, um mithilfe von offenen Webdaten aus dem Open Web Index (OWI) und dem MOSAIC-Framework spezialisierte, RAG-basierte Suchmaschinen aufzubauen. Durch die Erweiterung MOSAIC-RAG integrieren wir LLM-gestützte Funktionen wie Zusammenfassungen und Re-Ranking, wodurch sich domänenspezifische Suchanwendungen einfach entwickeln und testen lassen, was wir anhand von Beispielen aus Wissenschaft, Gesundheit und Kunst demonstrieren.

Wir präsentieren MOSAIC-RAG, eine modulare Erweiterung des MOSAIC-Suchframeworks, die Funktionen der Retrieval-Augmented Generation (RAG) integriert. Damit lassen sich verschiedene KI-gestützte Module zur Neusortierung und Zusammenfassung von Suchergebnissen flexibel anordnen und als maßgeschneiderte Konfigurationen für zukünftige Suchen speichern.

Wir präsentieren eine Methode, um den gesamten Stromverbrauch eines Computers ohne zusätzliche Hardwaresensoren abzuschätzen, indem wir Daten von Hardware-Performance-Countern und der RAPL-Schnittstelle für das Training eines Machine-Learning-Modells nutzen. Zudem evaluieren wir den Einfluss verschiedener Leistungsindikatoren sowie unterschiedlicher Lernmodelle und erreichen mit unserem besten Schätzer eine äußerst präzise Echtzeit-Berechnung mit einer Fehlerquote von lediglich rund 1,35 Prozent.