Skip to main content

RAG-Workshop für Entwickler

#industry #finance #lifesciences #other

Aufbau eines Retrieval-Augmented-Generation-(RAG)-Systems

Entwickeln Sie mit Python einen RAG-Prototyp, der relevante Dokumente findet und als Kontext für generierte Antworten nutzt. Im Workshop setzen Sie den vollständigen Ablauf selbst um und testen, wie die ausgewählten Inhalte das Ergebnis beeinflussen.

Wokshop jetzt anfragen

In diesem Workshop entwickeln die Teilnehmenden einen RAG-Prototyp, der Anfragen anhand einer umfangreichen Textdatenbank beantwortet. Sie erstellen einen Embedding-basierten Suchindex und stellen relevante Dokumentabschnitte als Kontext für die Antwortgenerierung bereit.

Für wen ist der Workshop geeignet?
Der Workshop richtet sich an Entwickler, die entweder noch keine oder nur geringe praktische Erfahrung mit Large Language Models (LLMs) haben und grundlegende Python-Kenntnisse mitbringen.

Lernziele

Einen vollständigen RAG-Workflow praktisch umsetzen

Sie bereiten Textdaten für die Suche auf, erstellen einen Embedding-basierten Index und verbinden das Retrieval mit einem Large Language Model. Anschließend prüfen Sie, welche Dokumente das System heranzieht und wie daraus die Antworten entstehen.

Grundprinzip von RAG verstehen

Wie Retrieval und Large Language Models zusammenspielen und warum externe Dokumente als Kontext verwendet werden.

Dokumente für die Suche aufbereiten

Textdaten einlesen, in Abschnitte aufteilen und Embeddings für einen Suchindex erzeugen.

Einen RAG-Workflow implementieren

Den Ablauf von der Nutzerfrage über das Retrieval bis zur generierten Antwort selbst umsetzen.

Ergebnisse nachvollziehen und testen

Prüfen, welche Inhalte gefunden werden und wie diese die Antwort beeinflussen.

Agenda

Ab 09:00 Uhr: Registrierung und Begrüßungskaffee

10:00 Uhr: Einführung in das RAG-System

  • Vorstellung der RAG-Komponenten:
    • Streamlit UI
    • LangChain Backend
    • Azure OpenAI
    • Prompting
    • Agents
    • Multimodalität
  • Setup der RAG-Umgebung
  • Setup einer synthetischeFirmendatenbank

12:30 Uhr: Mittagspause

13:30 Uhr: Implementieren eines RAG-Prototyps mit den vorgestellten Komponenten

16:30 Uhr: Testen des RAG-Prototyps

ca. 17:00 Uhr: Ende des Workshops

Jeweils am Vor- und Nachmittag ist eine Kaffeepause vorgesehen.

Fabian Kaiser
Fabian Kaiser
Lead Consultant Generative AI

Der Trainer

Fabian Kaiser ist Experte für Generative AI. Er hat nach seinem Master in Informatik mit Fokus auf Natural Language Processing (NLP) ein Jahr lang am Ubiquitous Knowledge Processing (UKP) Lab zu Argument Mining in juristischen Texten geforscht. Seitdem hat er an diversen Projekten mit Fokus auf Textverarbeitung, IoT und Cloud Computing gearbeitet.

Technische Anforderungen

Die Teilnehmerinnen und Teilnehmer benötigen einen eigenen Laptop, der mindestens 100 MB freien Speicherplatz für Testdaten und eine Testdatenbank bietet. Vor dem Workshop sollte eine Python-Umgebung (Version 3.11) installiert und eine virtuelle Umgebung eingerichtet worden sein. Hier gibt es eine Anleitung dazu. 

Die Python-Umgebung ist für alle gängigen Plattformen verfügbar. Vor dem Workshop erhalten die Teilnehmerinnen und Teilnehmer außerdem einen Link zu einem GitHub-Repository mit dem notwendigen Setup, das idealerweise bereits im Vorfeld heruntergeladen wird.

Jeder Teilnehmer sollte vorab überprüfen, ob eines der folgenden Probleme auftreten könnte:

  • Keine Administrator-Rechte.
  • Strenge Sicherheitssoftware auf dem Firmenlaptop könnte den Zugriff einschränken.
  • Firmeneigene Proxy-Einstellungen, die in anderen Netzwerken möglicherweise nicht funktionieren.

Jetzt Kontakt aufnehmen

Standard- oder individueller Inhouse-Workshop

Ob als Standard-Workshop oder individuell auf Ihr Unternehmen zugeschnitten: Wir passen Inhalte und Schwerpunkte an Ihren Bedarf an. Gerne entwickeln wir gemeinsam mit Ihnen ein passendes Workshop-Format für Ihr Team – auf Wunsch auch direkt bei Ihnen vor Ort.

Bastian Heist
Bastian Heist
Senior Sales Manager

Durch das Absenden akzeptiere ich die Datenschutzerklärung.

Mehr zum Thema

Read more

Was ist Agentic AI?

Agentic AI kann Aufgaben planen, Werkzeuge nutzen und mehrere Arbeitsschritte koordinieren. Der Artikel erklärt Funktionsweise, Einsatzmöglichkeiten und die Abgrenzung zu klassischen KI-Anwendungen.

Artikel lesen

Read more

Vorhaben frühzeitig einordnen

Mit Explore klären wir Ziele, Anforderungen und Machbarkeit Ihres Data- und AI-Vorhabens. Sie erhalten eine nachvollziehbare Grundlage für die nächsten Entscheidungen.

Mehr zu Explore