KI-Systeme mit eigenen Daten: LLM und Retrieval-Augmented Generation (RAG)
Das Praxis-Bootcamp für skalierbare RAG-Architekturen mit großen Sprachmodellen
.svg)
Machine Lerning Engineer
1. Einführung und Grundlagen
- Zielsetzung, Ablauf und Erwartungsabgleich
- Wertschöpfung durch generative KI im Unternehmen
- Einordnung von RAG in moderne KI-Architekturen
- Typische RAG-Use-Cases und Grenzen
2. Grundlagen von Retrieval-Augmented Generation
- Funktionsweise und Architektur von RAG-Systemen
- Zusammenspiel von Daten, Retrieval und Generierung
- Typische Fehlerquellen und Qualitätsprobleme
- Beispiele und Best Practices aus realen Projekten
3. Chunking und Embeddings in der Praxis
- Intuitives Verständnis von Embeddings
- Chunking-Strategien und deren Auswirkungen
- Visualisierung von Ähnlichkeiten im Embedding-Space
- Hands-on-Umsetzung in Python-Notebooks
4. Retrieval, Reranking und Generierung
- Similarity Search und Top-K-Retrieval
- Reranking-Strategien für bessere Ergebnisse
- Prompt-Design für RAG-basierte Antworten
- Implementierung einer vollständigen Retrieval-Pipeline
5. Evaluation und Optimierung
- Warum Evaluation von RAG-Systemen nicht trivial ist
- Qualitätsmetriken und automatische Bewertung
- Systematische Optimierung von Pipelines
- Vergleich, Parameter-Tuning und Nachvollziehbarkeit
6. Produktivsetzung und MLOps
- Systematische Optimierung von RAG-Pipelines
- Parameter-Search, Vergleich & Nachvollziehbarkeit
- Experiment-Tracking & Versionierung (z. B. mit MLflow)
- Umsetzung als Service mit APIs und Monitoring
- Deployment mit FastAPI
7. Monitoring und Drift
- Warum RAG-Systeme über Zeit schlechter werden
- Drift-Arten und deren Auswirkungen
- Praktische Drift-Analyse mit verändertem Datensatz
- Ableitung von Maßnahmen
In deiner Online-Lernumgebung findest du nach deiner Anmeldung nützliche Informationen, Downloads und Extra-Services zu dieser Qualifizierungsmaßnahme.
Du entwickelst ein tiefes, praxisnahes Verständnis für RAG-basierte KI-Systeme und weißt, wie diese technisch aufgebaut sind.
Du baust komplette End-to-End-RAG-Pipelines selbst – von der Datenquelle bis zur produktiven API.
Du lernst, RAG-Systeme kritisch zu evaluieren und systematisch zu verbessern, statt nur zu experimentieren.
Du verstehst, wie MLOps-Konzepte auf LLM-Systeme angewendet werden, inklusive Monitoring und Drift-Analyse.
Du erhältst einen umsetzbaren Blueprint, mit dem du eigene RAG-Lösungen sicher in den Unternehmenskontext überträgst.
Dieses Online-Seminar wird in einer Gruppe von maximal 12 Teilnehmenden mit der Videokonferenz-Software Zoom durchgeführt.
Du arbeitest überwiegend in interaktiven Jupyter Notebooks mit vollständigem Beispielcode.
Praxisnahe Hands-on-Übungen führen dich Schritt für Schritt durch den Aufbau einer RAG-Pipeline.
Typische Probleme und Fehlannahmen werden anhand realistischer Use-Cases analysiert und gelöst.
Diskussionen und Reflexion unterstützen den Transfer in deinen eigenen Arbeitskontext.
Du bekommst Raum für deine Fragen – individuelle Betreuung durch die Referent:innen ist garantiert.
Dieses Bootcamp richtet sich an Software-Entwickler:innen, ML-Engineers, Data Scientists, Solution-Architekt:innen und IT-Berater:innen, die RAG-Systeme verstehen, bauen und betreiben möchten.
Gute Python-Kenntnisse werden vorausgesetzt. Grundwissen zu Machine Learning oder NLP ist hilfreich, aber nicht zwingend erforderlich. Der Kurs eignet sich besonders für alle, die von Prototypen zu robusten, produktionsreifen KI-Lösungen kommen wollen.
.svg)
