Diese Folge erklärt Multimodal RAG und wie man Retrieval Augmented Generation erweitert, um neben Text auch Bilder, Audio und Video zu verarbeiten. Wir vergleichen drei technische Ansätze für die Umsetzung: die Umwandlung aller Medien in Text („Text-ify everything“), das hybride Modell und das komplexe „Full Multimodal RAG“, das einen gemeinsamen Vektorraum für alle Datentypen nutzt.