RAG & Vektordatenbanken für KI-Anwendungen

Nach dem Seminar sind Sie in der Lage:

• RAG-Architekturen sicher einzuordnen und für eigene Anwendungsfälle zu planen
• Dokumente für KI-Retrieval aufzubereiten und strukturiert zu verarbeiten
• Embeddings, Vektordatenbanken und semantische Suche praktisch einzusetzen
• BM25, Hybrid Search, Rank-Fusion und Re-Ranking gezielt anzuwenden
• Retrieval, Grounding und Quellenbezug zu verbessern die Qualität eines RAG-Systems mit einem eigenen Testset zu bewerten
• typische Fehlerquellen wie schlechtes Chunking, Retrieval-Fehler und Halluzinationen zu erkennen
• Datenschutz, Zugriffsrechte, Kosten sowie Cloud-, Azure- und On-Premises-Architekturen zu berücksichtigen
• eine RAG-Architektur auf den eigenen Anwendungsfall zu übertragen.

• Grundlagen von Retrieval-Augmented Generation (RAG) und typische Einsatzszenarien
• Aufbau und Komponenten einer RAG-Architektur
• Dokumentenaufbereitung: Parsing, Bereinigung, Chunking und Metadaten
• Embeddings, Vektordatenbanken und semantische Suche
• BM25, Hybrid Search, Rank-Fusion und Re-Ranking
• Aufbau einer RAG-Pipeline mit Retrieval, Kontextaufbau und LLM-Anbindung
• Grounding, Quellenbezug und Nachvollziehbarkeit
• Evaluation von RAG-Systemen mit Testsets und Qualitätsmetriken
• Datenschutz, Zugriffsrechte, Sicherheit und Kosten
• Cloud-, Azure- und On-Premises-Szenarien
• Praxis-Lab: Aufbau und Optimierung eines eigenen RAG-Systems
• Ausblick: Agentic RAG, GraphRAG und multimodale Suche