Grundlagen von Retrieval-Augmented Generation (RAG)
Trennung von Modell- und Wissenskomponente
Nutzen für domänenspezifische Anwendungen
Vektorsuche und Embedding-Verwaltung
Embedding-Erstellung mit Hugging Face
Ähnlichkeitssuche mit FAISS und ChromaDB
semantische Datenabfragen
LangChain und LlamaIndex im Einsatz
Aufbau modularer NLP-Pipelines
Integration externer Quellen
Dokumentensuche
Tool-Ketten
Eigene RAG-Pipeline entwickeln
Datenvorbereitung
Query-Antwort-System mit LangChain
API-Anbindung für produktionsnahe Lösungen
Teilnahmevoraussetzungen:
Gute Python-Kenntnisse und Erfahrung mit Datenverarbeitung oder API-Nutzung. Kenntnisse in NLP oder Machine Learning sind hilfreich, aber nicht zwingend erforderlich.
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
