Lernpfade für Technik/IT-Profis
RAG-Systeme
Dieser Start-Lernpfad befasst sich mit RAG-Systemen (Retrieval-Augmented Generation), insbesondere naiven und komplexen RAG-Techniken, der LlamaIndex-Integration in JavaScript, der Vorverarbeitung von unstrukturierten Daten, mit Wissensdiagrammen erweiterter RAG und multimodalen RAG-Anwendungen. Die Lernenden sammeln praktische Erfahrungen mit Vektordatenbanken, Dense-Passage-Retrieval, Cross-Encoder-Reranking sowie der Erstellung von Wissensdiagrammen mit Neo4j und einsatzbereiten RAG-Anwendungen mit modernen Frameworks.
Lernziele
- Die Prinzipien und die Architektur von Retrieval-Augmented Generation (RAG) erklären und zwischen naiven und komplexen RAG-Techniken unterscheiden
- Komplexe RAG-Methoden wie Abfrageerweiterung, Cross-Encoder-Reranking und Dense-Passage-Retrieval implementieren, um das Abrufen von Informationen und Generieren von Antworten zu optimieren
- RAG-Anwendungen mit LlamaIndex und JavaScript entwickeln und bereitstellen, einschließlich der Full-Stack-Entwicklung von Chatbots und der Integration in Vektordatenbanken
- Unstrukturierte Daten (PDFs, HTML, PPTX, Bilder) für RAG- und LLM-Anwendungen mit speziellen Frameworks und Chunking-Strategien vorverarbeiten und strukturieren
- Wissensdiagramme und multimodale Daten mit Tools wie Neo4j und GPT-4 in RAG-Systeme integrieren, um komplexe kontextbezogene Abruf- und Empfehlungsworkflows zu ermöglichen
Zielgruppe
Dieser Lernpfad richtet sich an KI-Techniker:innen, Data Scientists, Softwareentwickler:innen und Technik-Profis, die den Einsatz von RAG-Systemen für reale Anwendungen erlernen möchten. Er eignet sich für alle mit grundlegenden Programmierfähigkeiten, die mit hochmodernen Tools und Frameworks anspruchsvolle, KI-gestützte RAG-Lösungen entwickeln, optimieren und bereitstellen möchten.