Wissensaufbereitung und Suche

Das System erfasst neben klassischen Text- und HTML-Dateien (inklusive einer intelligenten HTML-Bereinigung mit Boilerplate-Erkennung und automatischer Entfernung von Navigationselementen oder Werbebannern) auch komplexe PDF-Dokumente und eigenständige Bilddateien. Auch die direkte Auswertung angehängter Dateien im Chat wird nahtlos unterstützt.

Unsere PDF-Engine extrahiert Texte, eingebettete Bilder und Barcodes in einem einzigen Durchlauf. Das System erkennt Layout-Merkmale wie Titel, Dokumentendatum und generiert automatisch ein Vorschaubild. Für maximale Datenintegrität sorgt eine integrierte Verdachtserkennung für beschädigte PDF-Tabellen, die Formatierungsfehler proaktiv meldet.

Eingebettete Grafiken, Diagramme oder Skizzen werden durch ein integriertes Vision-Modell analysiert und in präzise Textbeschreibungen übersetzt. Vor der Analyse durchläuft jedes Bild eine automatisierte Bild-Normalisierung und Größenbegrenzung, um Systemressourcen optimal zu schonen.

Tabellen in Dokumenten werden nicht einfach als Fließtext flachgewalzt, sondern durch die Tabellen-Normalisierung in ein strukturiertes, für LLMs perfekt interpretierbares Format übersetzt. So bleiben Zeilen- und Spaltenbeziehungen mathematisch und logisch konsistent.

Administratoren können für jede Datei einen isolierten Probelauf simulieren. Sie sehen sofort, wie das System den Text parst, Tabellen normalisiert oder Metadaten erkennt, bevor das Dokument final in den globalen Index einfließt.

Über ein mächtiges, visuelles Regelwerk ordnet das System Daten vollautomatisch zu. Themenbereiche werden je Quelle oder per dynamischer Regel je Dokument zugewiesen. Ebenso werden Berechtigungsgruppen und spezifische Metadaten anhand von Inhaltsmerkmalen automatisch vergeben.

Sie können einzelne Dokumente gezielt vom Indexierungsprozess ausschließen, um sensible oder veraltete Informationen sofort zu isolieren. Eine integrierte Vorschau der Wirkung zeigt Ihnen die exakten Auswirkungen Ihrer Filter und Regeln an, bevor Sie diese plattformweit aktivieren.

noucore setzt auf eine eigene Vektordatenbank mit einer isolierten Collection je Installation. Dadurch wird eine physische und logische Vermischung von Unternehmensdaten absolut ausgeschlossen.

Während der Indexierung generiert die Plattform eine prägnante Zusammenfassung je Dokument, die als zusätzlicher Kontextanker dient und Suchabfragen auf Makro-Ebene drastisch beschleunigt.

Sie können das genutzte Embedding-Modell frei aus den führenden Open-Source- oder proprietären Modellen wählen und exakt auf Ihre Sprache und Domäne abstimmen. Bei Modellwechseln oder tiefgreifenden Datenänderungen lässt sich eine vollständige Neuindexierung komfortabel per Knopfdruck initiieren.

Bei jeder Nutzeranfrage analysiert ein Intent-Router den genauen Kern der Frage und entscheidet sofort, ob eine rein semantische Suche, eine exakte Stichwortsuche oder eine Kombination aus spezifischen Datenbankabfragen die qualitativ besten Ergebnisse liefert.

Das System übersetzt eine Nutzeranfrage im Hintergrund in mehrere, unterschiedlich formulierte Suchanfragen (Multi-Query). Die Treffermengen dieser parallelen Suchläufe werden anschließend mathematisch konsolidiert und intelligent zusammengeführt.

Das System wendet eine automatische Filterung nach spezifischen Merkmalen an, die es direkt aus der Frage des Nutzers ableitet (z. B. zeitliche Eingrenzungen oder Abteilungsbezüge). Anschließend bewertet ein spezialisiertes Reranking-Modell die Textstücke nach inhaltlicher Passung neu, sodass die relevantesten Informationen garantiert ganz oben stehen.

Fragt ein Nutzer nach einem Vergleich (z. B. „Vergleiche Produkt A mit Produkt B“), führt das System eine getrennte, isolierte Suche je Objekt durch. Die Ergebnisse werden anschließend sauber nebeneinandergestellt, statt die Fakten im Suchprozess zu vermischen.

Ein hinterlegbares Glossar für hauseigene Begriffe und Abkürzungen stellt sicher, dass die KI interne Akronyme, Fachbegriffe oder Projektnamen im Retrieval-Prozess mathematisch korrekt auflöst und richtig interpretiert.

Jede generierte Aussage der KI wird mit einer präzisen Quellenangabe direkt im Chat belegt. Ein Klick auf die Quelle führt den Nutzer per Deeplink exakt an die Stelle im Originaldokument (z. B. auf die genaue Seite und Zeile einer PDF), aus der die Information stammt.

Um Halluzinationen und Fehlinterpretationen im Keim zu ersticken, verfügt die Plattform über eine strikte Unterscheidung im UI: Zahlen, die das Modell mathematisch berechnet oder aggregiert hat, werden visuell klar von Zahlen unterschieden, die als direktes Zitat eins-zu-eins aus den Dokumenten stammen.

Vor der finalen Ausgabe an den Nutzer durchläuft die Antwort eine automatisierte Qualitätsprüfung. Erkennt das System logische Brüche oder unvollständige Faktenabgleiche mit dem Kontext, wird eine interne Nachbesserungsschleife gestartet.

Im letzten Schritt erfolgt eine redaktionelle Überarbeitung der Antwort auf Basis Ihrer internen Hausvorgaben. Tonalität, Formatierungsregeln, Gliederungsstile und verbotene Begriffe werden rigoros eingehalten, sodass jede Antwort wirkt, als käme sie aus der Feder Ihres eigenen Expertenteams.