KKC_0234 | KI-gestützte Datenbanksuche: Aufbaukurs

Dieses Aufbau-Seminar richtet sich an alle, die bereits erste Erfahrungen mit Datenbanksuche oder KI-gestützten Auswertungen gesammelt haben und jetzt eine robuste, semantische Suche auf Produktionsniveau aufbauen wollen. Sie arbeiten Sie von der klassischen Keyword-Suche hin zu einer Architektur vor, die Relevanz messbar macht und Suchintentionen sauber abbildet. Dabei lernen Sie, wie Hybrid Search aus BM25 und Vektorsuche in der Praxis zusammenspielt, welche Index-Strategien sich für strukturierte Tabellen und unstrukturierte Dokumente eignen und welche typischen Fehlerbilder in KI-Suchen auftreten.

Ein Schwerpunkt liegt auf Embeddings und dem Design Ihr Vektorraums: Chunking, Overlap, Metadaten und die Auswahl geeigneter Embedding-Modelle. Sie verstehen die Grundprinzipien gängiger Vektorindizes wie HNSW, IVF und PQ und können daraus Entscheidungen für Latenz, Speicher und Update-Frequenz ableiten. Darauf aufbauend entwickeln Sie eine RAG-Pipeline: Retriever mit Filtern und Berechtigungen, Re-Ranking mit Cross-Encodern und Antwortformate, die Quellen und Belege liefern.

Abschließend etablieren Sie Tests und Observability mit Goldensets, Metriken wie nDCG und MRR, Tracing und Kostenkontrolle sowie Guardrails gegen PII-Leaks und Prompt-Injection. So können Sie KI-Suche sicher integrieren und iterativ verbessern.

• Keyword-Suche und semantische Suche architektonisch verbinden
• Hybrid Search mit BM25 und Vektorsuche umsetzen
• Indexstrategien für Tabellen und Dokumente auswählen
• Chunking, Overlap, Metadaten und Embedding-Modelle optimieren
• HNSW, IVF und PQ nach Latenz, Speicher und Aktualisierung bewerten
• RAG-Pipelines mit Filtern, Berechtigungen und Re-Ranking entwickeln
• Relevanz mit geeigneten Testsets und Suchmetriken messen

Das Seminar richtet sich an Datenbankentwickler/innen, Data-Engineer/innen, KI-Entwickler/innen, Softwarearchitekt/innen sowie Fachkräfte für Enterprise Search und Wissenssysteme.

Erfahrungen mit Datenbanksuche, SQL oder KI-gestützten Auswertungen sowie grundlegende Programmierkenntnisse werden vorausgesetzt.

• Von Keyword zu Semantik: Sucharchitektur
  • Suchintentionen, Relevanz und Messbarkeit
  • Hybrid Search: BM25 plus Vektorsuche
  • Index-Strategien für strukturierte und unstrukturierte Daten
  • Fehlerbilder: Drift, Halluzinationen, Datenlücken
• Embeddings und Vektordatenbanken in der Praxis
  • Chunking-Strategien, Overlap, Metadaten
  • Embedding-Modelle auswählen und evaluieren
  • Vektorindizes: HNSW, IVF, PQ verständlich
  • Update- und Re-Embedding-Strategien
• RAG-Pipelines für Datenbankwissen
  • Retriever-Design: Filter, Facets, Security
  • Re-Ranking mit Cross-Encodern
  • Prompting für zitierfähige Antworten
  • Antwortformate: Tabellen, JSON, Quellen
• Qualität, Tests und Observability
  • Goldensets, Offline-Evaluation, A/B-Tests
  • Relevanzmetriken: nDCG, MRR, Recall@k
  • Tracing, Logging, Kostenkontrolle
  • Guardrails: PII, Policies, Prompt-Injection
• Integration in bestehende Systeme
  • API-Design, Caching, Latenzbudgets
  • Rollen, Rechte, Mandantenfähigkeit
  • ETL/ELT und Dokumenten-Pipelines
  • Betrieb: Versionierung, Rollback, Monitoring
• Use Cases und Musterlösungen
  • Wissensdatenbank, Tickets, CRM, Verträge
  • Suche über SQL-Tabellen plus Dokumente
  • Mehrsprachigkeit und Domänenbegriffe
  • Roadmap: von Pilot zu Produktion