Python – LLMs und RAG-Pipelines in der Praxis
Python LLMs und RAG-Pipelines in der Praxis: Sie verbinden Sprachmodelle mit externen Datenquellen, nutzen Vektorsuchen und entwickeln produktionsnahe, modulare RAG-Pipelines.
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
In diesem Seminar erfahren Sie, wie Sie moderne Sprachmodelle produktiv einsetzen. Sie kombinieren LLMs mit externen Datenquellen über RAG-Techniken, nutzen Vektorsuchen und optimieren die Antwortqualität durch gezieltes Prompt Design.
Mit Tools wie LangChain, FAISS und LlamaIndex entwickeln Sie eigene Pipelines, die skalierbar, modular und produktionsnah sind. So machen Sie generative KI anwendungsreif.
Hinweis:
Seminarinhalte
Architektur und Grundlagen moderner LLMs
- Überblick über Transformer-Modelle
- Unterschiede zu klassischen NLP-Verfahren
- Rolle von Kontext und Tokenisierung
Prompt Design und Modellsteuerung
- Struktur effektiver Prompts
- Few-/Zero-Shot-Techniken
- System-Prompts für mehr Kontrolle
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
Zielgruppe
Ideal für technisch versierte Teilnehmende, die Sprachmodelle über RAG-Architekturen produktiv nutzen und mit bestehenden Datenquellen verknüpfen möchten.
Voraussetzungen
Gute Python-Kenntnisse und Erfahrung mit Datenverarbeitung oder API-Nutzung. Kenntnisse in NLP oder Machine Learning sind hilfreich, aber nicht zwingend erforderlich.
Lernziele
Sie lernen, moderne Sprachmodelle mit externen Datenquellen über RAG-Techniken zu verbinden, Vektorsuchen einzusetzen und die Antwortqualität durch Prompt Design zu optimieren. Zudem entwickeln Sie mit LangChain, FAISS und LlamaIndex skalierbare, modulare und produktionsnahe Pipelines.
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.
Python – LLMs und RAG-Pipelines in der Praxis im Überblick
Python LLMs und RAG-Pipelines verbinden die Fähigkeiten moderner Sprachmodelle mit externem Wissen. Der Kurs ordnet diese Verbindung über Retrieval-Augmented Generation ein und zeigt, wie generative KI für anwendungsreife Lösungen vorbereitet werden kann.
Im Mittelpunkt steht das Zusammenspiel von Modell- und Wissenskomponente. Sie arbeiten mit Vektorsuche, Embeddings und semantischen Datenabfragen, um externe Informationen für Antworten nutzbar zu machen. Prompt Design ergänzt diesen Ansatz durch Techniken zur gezielten Modellsteuerung.
Für die praktische Umsetzung behandeln Sie modulare NLP-Pipelines mit LangChain und LlamaIndex. Der Kurs ist passend, wenn Sie gute Python-Kenntnisse mitbringen und Sprachmodelle mit bestehenden Datenquellen, Dokumentensuche oder API-Anbindungen verbinden möchten.
Rezensionen
Es gibt noch keine Rezensionen.