Live-Online: KI-Systeme mit eigenen Daten: Retrieval-Augmented Generation (RAG) mit LLM

1. Einführung und Grundlagen

• Zielsetzung, Ablauf und ErwartungsabgleichWertschöpfung durch generative KI im UnternehmenEinordnung von RAG in moderne KI-ArchitekturenTypische RAG-Use-Cases und Grenzen

2. Grundlagen von Retrieval-Augmented Generation

• Funktionsweise und Architektur von RAG-SystemenZusammenspiel von Daten, Retrieval und GenerierungTypische Fehlerquellen und QualitätsproblemeBeispiele und Best Practices aus realen Projekten

3. Chunking und Embeddings in der Praxis

• Intuitives Verständnis von EmbeddingsChunking-Strategien und deren AuswirkungenVisualisierung von Ähnlichkeiten im Embedding-SpaceHands-on-Umsetzung in Python-Notebooks

4. Retrieval, Reranking und Generierung

• Similarity Search und Top-K-RetrievalReranking-Strategien für bessere ErgebnissePrompt-Design für RAG-basierte AntwortenImplementierung einer vollständigen Retrieval-Pipeline

5. Evaluation und Optimierung

• Warum Evaluation von RAG-Systemen nicht trivial istQualitätsmetriken und automatische BewertungSystematische Optimierung von PipelinesVergleich, Parameter-Tuning und Nachvollziehbarkeit

6. Produktivsetzung und MLOps

• Systematische Optimierung von RAG-PipelinesParameter-Search, Vergleich & NachvollziehbarkeitExperiment-Tracking & Versionierung (z. B. mit MLflow)Umsetzung als Service mit APIs und MonitoringDeployment mit FastAPI

7. Monitoring und Drift

• Warum RAG-Systeme über Zeit schlechter werdenDrift-Arten und deren AuswirkungenPraktische Drift-Analyse mit verändertem DatensatzAbleitung von Maßnahmen

Lerndauer: 3 Tage

Mit dieser Veranstaltung sind sie flexibel: Diese Veranstaltung wird vollständig online ausgeliefert!

Wichtige Information: Bitte beachten Sie, dass einige unserer Webinare auch aus mehreren Online-Modulen bestehen können. Erkennbar ist dies, wenn die Dauer länger als ein Tag ist.

Eine Übersicht der einzelnen Termine zu den Online-Modulen erhalten Sie nach der Buchung in Ihrer persönlichen Online-Lernumgebung.

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 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.