Grounding bezeichnet die Anbindung der Ausgaben eines generativen KI-Modells an überprüfbare Referenzdaten, während Ground Truth die verifizierte Faktenbasis oder die korrekten Zielwerte eines Datensatzes beschreibt.
Erklärung
Im klassischen Machine Learning steht Ground Truth für die real gemessenen oder manuell geprüften Referenzwerte, an denen die Vorhersagequalität eines Modells gemessen wird, etwa tatsächliche Vertragsabschlüsse im Vergleich zur prognostizierten Abschlusswahrscheinlichkeit. Bei großen Sprachmodellen sorgt Grounding dafür, dass das Modell Antworten auf konkrete Primärquellen stützt, zum Beispiel aktuelle Preislisten, Produktdokumentationen, Verträge oder CRM-Einträge. Technisch geschieht dies meist über Retrieval-Augmented Generation (RAG), Such-APIs oder Funktionsaufrufe, die relevante Textpassagen samt Quellenverweis in den Prompt einspeisen. Im B2B-Vertrieb und Kundensupport verhindert diese Quellenbindung erfundene Konditionen oder veraltete Produktangaben und macht jede Modellaussage anhand des verlinkten Dokuments prüfbar.