Retrieval Augmented Generation (RAG) mit Python

Retrieval Augmented Generation (RAG) revolutioniert den Umgang mit unternehmenseigenen Daten und Large Language Models (LLMs). In diesem dreitägigen Intensiv-Training entwickeln Sie praxisnahe RAG-Anwendungen mit Python und erleben, wie modernste KI-Modelle mit effektivem Information Retrieval kombiniert werden. Sie lernen führende Frameworks wie LangChain, LangGraph und LlamaIndex kennen und setzen diese direkt in eigenen Projekten um.

Warum ist dieses Training wertvoll für Sie?
Unternehmen verfügen über riesige Mengen an Dokumenten, Datenbanken und Wissensspeichern – doch diese intelligent zu erschließen und in KI-Anwendungen zu integrieren, bleibt eine Herausforderung. RAG ist die Schlüsseltechnologie, um LLMs mit Ihren eigenen Daten zu verbinden: Sie ermöglicht präzise, kontextbezogene Antworten ohne kostspieliges Training oder Fine-Tuning. In diesem Training erfahren Sie, wie Sie sichere, skalierbare RAG-Systeme entwickeln, moderne Evaluation-Techniken einsetzen und Ihre Lösungen in Production bringen – inklusive aktueller Themen wie MCP-Server-Integration und MultiAgeng-Architekturen.

Einführung in Large Language Models und Retrieval Augmented Generation

• Jüngste Entwicklungen bei LLMs: Trends und Technologien
• Was ist RAG? Architektur und Funktionsweise (Retrieval + Generation)
• Anwendungsfälle: Von Dokumentensuche bis Wissensmanagement

Überblick: Frameworks und Tools für RAG

• LangChain, LangGraph, LlamaIndex: Features und Einsatzgebiete
• oLLama, Fireworks AI und weitere Tools im Vergleich
• Auswahl des passenden Frameworks für Ihr Projekt

Lokales Setup: Python-Ökosystem, Installation & erste Pipelines

• Entwicklungsumgebung einrichten
• Installation und Konfiguration der wichtigsten Tools
• Erste Schritte: Eine einfache RAG-Pipeline

Hands-on: Aufbau einer einfachen RAG-Anwendung mit Python

• Praktisches Projekt: Von der Idee zur funktionsfähigen Anwendung
• Dokumenten-Ingestion und -Verarbeitung
• Query-Verarbeitung und Response-Generierung

Dokumentenmanagement: Konnektoren, Loader, EmbeddingErstellung

• Document Loaders für verschiedene Formate (PDF, Word, Web)
• Text Splitting und Chunking-Strategien
• Embedding-Modelle: Auswahl und Optimierung 

Integration von Vektordatenbanken

• Vektordatenbanken im Überblick (Pinecone, Weaviate, ChromaDB)
• Setup und Konfiguration
• Indexierung und Retrieval-Optimierung

Query Engines, Response Synthesis und Evaluation

• Aufbau robuster Query Engines
• Response Synthesis: Strategien für qualitativ hochwertige Antworten
• Evaluation mit LangSmith, Ragas und weiteren Tools

Hands-on: Erweiterte Suchfunktionen und semantische Suche

• Hybrid Search: Kombination von semantischer und Keyword-Suche
• Reranking und Relevanz-Optimierung
• Praktische Übungen mit realen Daten

Testen und Debugging von RAG-Anwendungen

• Testing-Strategien für RAG-Pipelines
• Debugging-Tools und -Techniken
• Qualitätssicherung und Monitoring

Fortgeschrittene Patterns

• Query Translation und Query Construction
• Routing: Intelligente Verteilung von Anfragen
• Indexing: Optimierte Daten strukturen
• Retrieval: Advanced Retrieval-Techniken
• Generation: Feintuning der Antwortgenerierung

RAG-Agenten-Ansätze und Multi-Agent Systems

• Von einfachen Pipelines zu intelligenten Agenten
• Multi-Agent-Architekturen: Orchestrierung und Koordination
• Praktische Beispiele aus der Praxis

Model Context Protocol (MCP): Externe Tool-Integration und Sicherheit

• Integration externer Tools via MCP
• Sicherheit und Zugriffskontrolle
• Best Practices für sichere RAG-Systeme

Skalierung und Produktivsetzung von RAG-Anwendungen

• Performance-Optimierung und Caching-Strategien
• Deployment-Optionen: Cloud vs. On-Premise
• Monitoring, Logging und Fehlerbehandlung in Production

Praxisprojekt: End-to-End-RAG-System bauen und präsentieren

• Entwicklung eines vollständigen RAG-Systems
• Team-Projekt mit individueller Begleitung
• Präsentation und Feedback

• Entwickler\*innen und Data Scientists mit Python-Erfahrung
• KI-Enthusiast\*innen, die generative KI mit eigenen Daten nutzen möchten
• Teams in Forschung, Industrie oder Consulting, die individuelle Daten mit KI erschließen wollen
• IT-Professionals mit Interesse an moderner generativer KI und Retrieval

Gute Grundlagen in Python-Programmierung sind erforderlich.
Erste Erfahrungen mit KI-Frameworks (z.B. TensorFlow, PyTorch) oder API-Entwicklung sind von Vorteil. Grundkenntnisse in Machine Learning und Vertrautheit mit LLMs sind hilfreich, werden aber im Kurs eingeführt.