KKC_0328 | Qdrant-Schulung: RAG und Hybrid Search im Betrieb

Qdrant-Schulung: RAG und Hybrid Search im Betrieb vermittelt praxisnah, wie Sie Vektorsuche, Metadatenfilter und RAG-Anwendungen mit Qdrant betreibbar umsetzen. Diese Qdrant Schulung richtet sich an Teams, die semantische Suche und RAG-Anwendungen mit einer betreibbaren Vektor-Datenbank umsetzen.

Qdrant-Collections, Vektor-Dimensionen und Distance-Metriken zu verstehen sowie Payload-Felder für Metadaten, Mandanten und Berechtigungen zu modellieren, sthen dabei im Mittelpunkt. Die Inhalte verbinden fachliche Einordnung, konkrete Umsetzung und die Anforderungen an Qualität, Sicherheit und Nachvollziehbarkeit.

Damit eignet sich das Angebot für Unternehmen, die neue KI-, Daten- oder Automatisierungslösungen nicht nur testen, sondern strukturiert in belastbare Arbeitsabläufe überführen möchten.

• Qdrant-Collections, Vektor-Dimensionen und Distance-Metriken verstehen
• Payload-Felder für Metadaten, Mandanten und Berechtigungen modellieren
• Filterabfragen und Hybrid Search für präzisere Trefferlisten einsetzen
• RAG-Kontexte fachlich eingrenzen und qualitativ bewerten
• Betriebsaspekte wie Performance, Skalierung und Monitoring berücksichtigen
• Qdrant in produktive LLM- und Wissensanwendungen integrieren

Der Kurs richtet sich an Data Engineers, Entwickler/innen, ML Engineers, Such- und Plattformteams, die semantische Suche oder RAG-Anwendungen mit Qdrant betreiben möchten.

Technische Grundlagen zu APIs, Datenmodellen und LLM-/RAG-Konzepten werden empfohlen. Erfahrung mit Python oder Backend-Entwicklung ist hilfreich.

Qdrant-Architektur und Collections

• Qdrant-Server mit Client-Bibliotheken
• Collections für dichte Vektoren
• Named Vectors und Distanzmetriken
• Payload-Schema für fachliche Metadaten

Embeddings und Payload-Filter

• Embedding-Modelle und Vektordimensionen
• Mandantenfilter über Payload-Felder
• Upserts für Dokumentversionen
• Löschoperationen für veraltete Inhalte
• Snapshots für Collection-Sicherung
• HNSW-Parameter für Indexsteuerung

Qdrant RAG: Retrieval und Reranking

• Top-k-Retrieval für Kontextfenster
• Score-Thresholds für Trefferqualität
• Kandidatenmengen für Reranking-Pipelines
• Prompt-Kontext aus Payload-Feldern

Hybrid Search mit Sparse und Dense Retrieval

• Dense Retrieval mit Embeddings
• Sparse Retrieval mit Token-Signalen
• Score-Fusion mit RRF
• Filterbedingungen in Hybrid-Abfragen

Betrieb, Backup und Skalierung

• Collection-Snapshots und Restore-Abläufe
• Monitoring zentraler Qdrant-Metriken
• Ressourcenplanung für Self-Hosting
• Shards und Replicas für Skalierung

Anwendungsintegration und Deployment

• REST-API mit Python-Client
• Retrieval-Schicht für RAG-Services
• Fehlerbehandlung in Query-Flows
• Deployment-Muster für Produktionsumgebungen