Large Language Models (LLM) – RAG-Tuning und Evaluation
Dieser Kurs zeigt Ihnen, wie Sie RAG-Systeme gezielt bewerten und weiterentwickeln. Sie arbeiten mit Retrieval-Metriken, Tuning-Strategien und Evaluationsmethoden, um Qualität, Nachvollziehbarkeit und Betrieb von LLM-Anwendungen im Unternehmen fundiert zu beurteilen und kontinuierlich zu verbessern.
Unser Angebot richtet sich ausschließlich an Unternehmer (§ 14 BGB), Gewerbetreibende, Freiberufler sowie öffentliche Auftraggeber. Kein Verkauf an Verbraucher (§ 13 BGB). Alle Preisangaben werden sorgfältig gepflegt. Preisirrtümer und technische Darstellungsfehler können jedoch nicht vollständig ausgeschlossen werden.
Kursdetails & Termine
Kursbeschreibung
Sie erfahren, wie Sie die Qualität von RAG-Systemen bewerten und verbessern. Der Kurs LLM RAG-Tuning und Evaluation vermittelt Metriken, Tuning-Strategien und Evaluationsmethoden für robuste und nachvollziehbare LLM-Anwendungen im Unternehmen.
Seminarinhalte
Grundlagen von Retrieval-Qualität
- Metriken: Recall, Precision, nDCG
- Warum klassisches IR- und LLM-Tuning zusammengehören
Tuning-Strategien
- Chunking-Varianten (Overlaps, Semantik-basiert)
- Embedding-Modelle vergleichen
- Index-Parameter optimieren (z. B. k, Abstandsmessung)
Re-Ranking & Hybrid Search
- Lexikalische und semantische Suche kombinieren
- Einsatz von Cross-Encodern
- Trade-offs zwischen Qualität und Kosten
Evaluationstechniken
- Human-in-the-loop-Verfahren
- Automatisierte Evals: BLEU, ROUGE, BERTScore, G-Eval
- Benchmark-Sets aufbauen
Qualitätssicherung im Betrieb
- Bias-Checks, Halluzinationsanalyse
- Drift Detection bei Embeddings
- Canary-Tests für neue Pipelines
Monitoring & Reporting
- KPI-Tracking: Retrieval-Präzision, Factuality
- Dashboards für Stakeholder
- Feedback Loops und kontinuierliche Verbesserung
Zielgruppe
Alle, die Retrieval-Systeme mit LLMs professionell betreuen oder evaluieren – z. B. in AI-Teams, QA, Produktentwicklung oder technischem Projektmanagement.
Voraussetzungen
Grundkenntnisse in NLP oder Vektorsuche sowie erste Erfahrungen mit RAG, LangChain oder LLM-Entwicklung sind von Vorteil. Basiswissen in Python wird empfohlen.
Lernziele
Sie lernen, die Qualität von RAG-Systemen mit Metriken, Tuning-Strategien und Evaluationsmethoden zu bewerten und zu verbessern. Dabei ordnen Sie diese Ansätze für robuste und nachvollziehbare LLM-Anwendungen im Unternehmen ein.
Firmenseminar anfragen
Fragen Sie diesen Kurs für Ihr Team oder Unternehmen an. Wir prüfen passende Termine, Formate und individuelle Anforderungen und melden uns persönlich mit einem Vorschlag.
Termine & Buchung
Terminfilter
Verfügbare Termine
Kursdetails & Termine
Termine & Buchung
Terminfilter
Verfügbare Termine
Kursbewertungen
Wir sind persönlich für Sie da
Nicht jeder Kurs passt sofort auf Anhieb. Wir helfen Ihnen dabei, aus Themen, Formaten und Anforderungen die passende Lösung zu finden – persönlich, praxisnah und mit Blick auf Ihren tatsächlichen Bedarf.
Nicole Mühlbauer
Planen Sie einen Kurs oder Seminar und möchten sich vorab informieren?
Alison Kreis
Haben Sie bereits einen Kurs gebucht und noch Fragen zum Ablauf vor Ort oder Online?
Anouk Mendoza
Haben Sie Fragen zu einer Raumvermietung oder unseren Räumlichkeiten vor Ort?
Fragen & Antworten
Hier beantworten wir die häufigsten Fragen zu unseren Kursen, Abläufen und Formaten. Sollten Sie weitere Fragen haben, unterstützen wir Sie gerne persönlich.
Large Language Models (LLM) – RAG-Tuning und Evaluation im Überblick
LLM RAG-Tuning und Evaluation ordnet die Bewertung und Verbesserung von RAG-Systemen in den Kontext robuster und nachvollziehbarer LLM-Anwendungen im Unternehmen ein. Sie lernen, relevante Qualitätsaspekte systematisch zu betrachten.
Im Mittelpunkt steht das Zusammenspiel von Retrieval-Qualität, Tuning und Evaluation. Dazu gehören unter anderem Chunking-Varianten, Embedding-Modelle, Index-Parameter, Hybrid Search und Cross-Encoder sowie die Abwägung zwischen Qualität und Kosten.
Der Kurs richtet sich an Personen, die Retrieval-Systeme mit LLMs professionell betreuen oder evaluieren, etwa in AI-Teams, QA, Produktentwicklung oder technischem Projektmanagement. Grundkenntnisse in NLP oder Vektorsuche sowie erste Erfahrungen mit RAG, LangChain oder LLM-Entwicklung sind von Vorteil; Python-Basiswissen wird empfohlen. Für die fachliche Einordnung weiterer Angebote helfen Kurse zu KI-AI.
Rezensionen
Es gibt noch keine Rezensionen.