KKC_0071 | RAG & Vektordatenbanken Training: Enterprise AI beherrschen

In diesem Seminar erarbeiten Sie die wichtigsten Konzepte, Werkzeuge und Einsatzmöglichkeiten praxisnah. Im Mittelpunkt stehen moderne KI-Entwicklung mit Sprachmodellen, Automatisierung, Datenpipelines, Tools und praxisnahen Implementierungen. Sie lernen typische Einsatzszenarien kennen, bewerten Chancen und Grenzen und übertragen die Inhalte auf konkrete Aufgaben aus dem Arbeitsalltag.

Praxisnahe Übungen, Beispiele und Leitfragen helfen Ihnen, das Thema strukturiert, sicher und nachvollziehbar anzuwenden.

• Grundlagen von Retrieval Augmented Generation verstehen
• Vektordatenbanken, Embeddings und Indexe fachlich einordnen
• Chunking, Metadaten und Retrieval-Strategien planen
• Re-Ranking, Quellenbelege und Kontextaufbau zur Qualitätssteigerung nutzen
• Datenpipelines und Automatisierung für Enterprise-Szenarien bewerten
• Security, Governance, Monitoring und Betrieb von RAG-Lösungen berücksichtigen

Das Seminar richtet sich an Entwickler/innen, Data Engineers, KI-Teams, Architekt/innen und IT-Verantwortliche, die Enterprise-RAG-Lösungen planen möchten.

Vorausgesetzt werden Grundkenntnisse zu KI, Datenbanken oder Softwareentwicklung. Erfahrungen mit APIs oder LLMs sind hilfreich.

Grundlagen der Semantischen Suche

• Funktionsweise von High-Dimensional Vector Spaces
• Embeddings generieren (OpenAI, Hugging Face)
• Chunking-Strategien: Fixed-size vs. Semantisch
• Bedeutung von Cosine Similarity und Euclidean Distance

Vektordatenbanken in der Praxis

• Marktüberblick: Pinecone, Weaviate, Milvus, Qdrant
• Setup und Konfiguration einer Vektordatenbank
• Indizierungsalgorithmen (HNSW, IVF) verstehen
• Metadaten-Filterung für präzise Ergebnisse

Retrieval-Augmented Generation (RAG)

• Architekturmuster für RAG-Applikationen
• Orchestrierung mit LangChain und LlamaIndex
• Prompt Engineering für kontextbezogene Antworten
• Vermeidung von Halluzinationen durch Grounding

Advanced Retrieval Techniken

• Hybrid Search: Keyword-basierte und semantische Suche kombinieren
• Re-Ranking Methoden für bessere Relevanz
• Query Expansion und Multi-Query Ansätze
• Parent-Child Document Retrieval

Produktivsetzung und Evaluierung

• RAGAS Framework zur Qualitätsmessung (Treue, Relevanz)
• Umgang mit Datenschutz und Datensicherheit
• Latenzoptimierung und Caching-Strategien
• Skalierung von Vektor-Indizes