enefit Chatbot

Fachwissen zugänglich machen

Energieeffizienz und Dekarbonisierung sind für Unternehmen zentrale Zukunftsthemen – aber auch komplexe. Wissenschaftliche Studien, Regierungsberichte, Fachinterviews und spezialisierte Dokumentationen sind zwar öffentlich verfügbar, aber selten in einer Form, die sich für den schnellen, praxisnahen Zugriff eignet. Genau diese Lücke schließt der Enefit Chatbot: ein KI-Assistent, der komplexes Fachwissen in eine direkte, dialogorientierte Beratung übersetzt.

Wie der Chatbot funktioniert

Technisch basiert der Enefit Chatbot auf einem RAG-Verfahren (Retrieval-Augmented Generation) mit LightRAG. Der Prozess läuft in sechs Schritten ab:

1. Benutzerfrage – Ein Vertreter eines KMU stellt seine Frage über die Chatbot-Oberfläche.
2. Backend-Sicherheit – Die Anfrage läuft über einen Backend-Server, der die API-Kommunikation absichert.
3. LightRAG-Verarbeitung – Die Frage wird in eine Vektordarstellung umgewandelt (Query-Embedding).
4. Wissensabruf – Das System durchsucht die Wissensdatenbank per Vektorähnlichkeit nach den relevantesten Dokumenten.
5. KI-Generierung – Ein fein abgestimmtes Azure-OpenAI-LLM erzeugt aus dem abgerufenen Kontext eine präzise Antwort.
6. Antwortlieferung – Die Antwort wird an den Nutzer zurückgegeben.

Der entscheidende Unterschied zu einem klassischen Chatbot: Die Antworten basieren nicht auf allgemeinem KI-Wissen, sondern werden gezielt aus der eigenen, kuratierten Wissensbasis abgerufen und mit dem passenden Kontext angereichert.

Die Wissensbasis: 1.599 Dokumente, sorgfältig aufbereitet

Kern des Chatbots ist eine Wissensdatenbank aus 1.599 Dokumenten zu Energieeffizienz, Dekarbonisierung und angrenzenden Themen. Bevor diese Dokumente für den Chatbot nutzbar werden, durchlaufen sie mehrere Aufbereitungsschritte:

• Datensammlung: Zusammenstellung wissenschaftlicher Artikel, Regierungsberichte, Interviews und Fachdokumentation.
• Docling-Konvertierung: Umwandlung aller Dokumente in ein maschinenlesbares, standardisiertes Format.
• Datenstrukturierung: Kategorisierung und Organisation der Dokumente für einen optimalen Abruf.
• Vektorgenerierung: Erstellung von Vektordarstellungen mittels Embedding-Modellen für die semantische Suche.
• Speicherung in einer optimierten Wissensdatenbank für die Echtzeit-Abfrage.
• Qualitätssicherung: Laufende Prüfung und Verfeinerung der Wissensbasis.

Dieser mehrstufige Prozess stellt sicher, dass der Chatbot nicht nur schnell, sondern auch inhaltlich verlässlich antwortet.

Fazit

Der Enefit Chatbot macht spezialisiertes Fachwissen zu Energieeffizienz und Dekarbonisierung für KMU direkt zugänglich – als natürlichsprachlicher Dialog statt als unübersichtliche Dokumentensammlung. Durch die Kombination aus LightRAG-Architektur und einer sorgfältig kuratierten Wissensbasis von 1.599 Dokumenten liefert er Antworten, die konkret auf die jeweilige Nutzerfrage zugeschnitten und fachlich fundiert sind.

‍