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