KKC_0160 | Vektordatenbanken in der Cloud: Pinecone, Weaviate und Co

Vektordatenbanken sind das Rückgrat vieler KI-Anwendungen, die mehr brauchen als reine Volltextsuche: semantische Suche, Ähnlichkeitssuche und RAG-Workflows. In diesem Kurs starten Sie mit den Grundlagen, die in der Praxis über Erfolg oder Frust entscheiden: Was sind Embeddings, wie wirken sich Distanzmaße auf Trefferlisten aus, und warum sind Top-k, Filter und Hybrid Search mehr als nur API-Parameter. Danach vergleichen Sie Pinecone und Weaviate aus Cloud-Sicht: Welche Konzepte stecken hinter Collections, Namespaces oder Tenants, wie funktioniert Authentifizierung, und wie gestalten Sie ein Schema, das später nicht zum Migrationsprojekt wird.

Der Kern des Seminars ist die Datenpipeline. Sie erarbeiten Chunking-Strategien, die zu Dokumenttypen passen, setzen Upserts so um, dass sie idempotent bleiben, und planen eine Versionierung von Embeddings, damit Modellwechsel nicht unkontrolliert Qualität zerstören. Anschließend bauen Sie Query-Patterns für RAG: Filtern nach Metadaten, sinnvolle Scoring-Strategien, Diversität mit MMR und optionales Re-Ranking.

Damit Qualität nicht nur gefühlt ist, lernen Sie einfache Evaluationsmethoden wie Hit@k oder NDCG und leiten daraus Tuning-Schritte ab. Zum Abschluss geht es um Betrieb und Governance: Mandantenfähigkeit, Zugriffskontrollen, Monitoring von Latenz und Fehlerbildern sowie DSGVO-nahe Themen wie Datenminimierung und Löschkonzepte. Sie verlassen den Kurs mit einem Mini-RAG-Backend als Referenz und einer klaren Tuning- und Betriebscheckliste.

• Embeddings, Distanzmaße, Top-k, Filter und Hybrid Search verstehen
• Pinecone und Weaviate aus Cloud-Sicht vergleichen
• Collections, Namespaces, Tenants, Authentifizierung und Schema-Design einordnen
• Chunking, Upserts und Embedding-Versionierung für Datenpipelines planen
• Query-Patterns für RAG mit Metadatenfiltern, MMR und Re-Ranking entwickeln
• Evaluation mit Hit@k, NDCG und Tuning-Schritten einsetzen
• Mandantenfähigkeit, Zugriffskontrollen, Monitoring, Datenminimierung und Löschkonzepte berücksichtigen

Das Seminar richtet sich an Entwickler/innen, Data Engineers, KI-Teams, Cloud-Architekt/innen und technische Entscheider/innen.

Vorausgesetzt werden Grundkenntnisse in Cloud, APIs oder Datenbanken. Erfahrungen mit KI-Anwendungen oder RAG sind hilfreich.

• Vektorsuche verstehen statt raten
  • Embeddings, Ähnlichkeitsmaße, Top-k und Filter
  • Index-Typen, Recall vs. Latenz, Kostenhebel
  • Hybrid Search: Keyword plus Vektor
• Cloud-Grundlagen für Pinecone und Weaviate
  • Architektur: Collections, Namespaces, Tenants
  • Dimensionen, Metadata, Schema-Design
  • Auth, API-Keys, Netzwerkzugriff
• Datenpipeline: vom Text zum Index
  • Chunking-Strategien und Overlap
  • Batching, Upserts, Idempotenz
  • Versionierung von Embeddings
• Abfragen, Re-Ranking und Qualität
  • Query-Patterns für RAG
  • Filter, Scoring, MMR und Diversität
  • Evaluation: Ground Truth, NDCG, Hit@k
• Betrieb, Sicherheit und Governance
  • Mandantenfähigkeit, Zugriffskontrollen
  • Monitoring: Latenz, Durchsatz, Fehlerbilder
  • DSGVO-Praxis: Datenminimierung, Löschung
• Praxisprojekt: Mini-RAG-Backend
  • Ingestion, Index-Aufbau, Query-API
  • Prompt-Übergabe und Quellenbelege
  • Fehleranalyse und Tuning-Checkliste