RAG & Vektordatenbanken für KI-Anwendungen

Nach dem Seminar sind Sie in der Lage:

• RAG-Architekturen sicher einzuordnen und gezielt in KI-Projekten einzusetzen
• Dokumente für KI-Retrieval effizient aufzubereiten und strukturiert zu verarbeiten
• Embeddings, Vektoren und Similarity Search in praktischen KI-Anwendungen anzuwenden
• einfache RAG-Pipelines mit Retrieval, Kontextaufbau und LLM-Anbindung zu entwerfen
• die Qualität von Grounding und Quellenbezug gezielt zu bewerten und zu verbessern
• typische Fehlerquellen in RAG-Systemen (z. B. Chunking, Retrieval-Fehler, Halluzinationen) zu erkennen und zu vermeiden
• die Grundlage für produktionsnahe KI-Anwendungen mit eigenen Unternehmensdaten abzuleiten.

• Grundlagen von Retrieval-Augmented Generation (RAG) und typische Einsatzszenarien in Unternehmen
• Aufbereitung von Dokumenten: Parsing, Bereinigung, Chunking und Metadatenstrukturen
• Embeddings: Funktionsweise, Modellkonzepte und Einfluss auf die Ergebnisqualität
• Vektordatenbanken und Aufbau semantischer Suchindizes
• Similarity Search, Hybrid Search und semantische Suche im Vergleich
• Grounding: Kontextübergabe an Sprachmodelle und Auswirkungen auf Antwortqualität
• Quellenbezug, Nachvollziehbarkeit und Steuerung der Antwortlogik
• Evaluation von RAG-Systemen: Teststrategien, Trefferqualität und Halluzinationen
• Praxis-Lab: Aufbau eines einfachen RAG-Prototyps