Kursbeschreibung
Dieses Aufbau-Seminar ist für Dich, wenn Du eine KI-gestützte Datenbanksuche nicht als Experiment, sondern als Produktfunktion entwickeln willst. Du lernst, wie Du Relevanz systematisch herstellst, statt Dich auf zufällige Modellantworten zu verlassen. Dazu startest Du mit dem Design einer Sucharchitektur: Hybrid Search aus BM25 und Vektorsuche, sinnvolle Index-Strategien und ein klares Verständnis dafür, welche Daten in welcher Form in die Suche gehören. Im nächsten Schritt vertiefst Du Embeddings und Vektorindizes. Du entwickelst Chunking- und Metadatenkonzepte, die Filter, Facets und Security unterstützen, und lernst, wie Du Embedding-Modelle anhand von Domänenfragen testest. Du erhältst ein praxisnahes Verständnis von HNSW, IVF und PQ, inklusive der Konsequenzen für Latenz, Kosten und Update-Strategien. Darauf aufbauend konzipierst Du eine RAG-Pipeline: Retriever mit Berechtigungen, Re-Ranking mit Cross-Encodern und Prompts, die zu belegbaren Antworten führen. Du definierst Ausgabeformate wie Tabellen oder JSON, damit Ergebnisse direkt in Anwendungen weiterverarbeitet werden können. Zum Abschluss setzt Du ein Qualitäts- und Betriebsgerüst auf: Goldensets, Offline-Evaluation, A/B-Tests, Metriken wie nDCG und MRR sowie Observability mit Tracing, Logging und Kostenkontrolle. Zusätzlich behandelst Du Guardrails gegen PII-Leaks und Prompt-Injection. Damit kannst Du KI-Suche zuverlässig in bestehende Systeme integrieren und langfristig verbessern.
Die wichtigsten Themen im Überblick
- KI-gestützte Datenbanksuche produktionsnah aufbauen
- BM25 und Vektorsuche zu Hybrid Search kombinieren
- Embeddings, Chunking und Metadaten fundiert auswählen
- RAG-Pipelines mit Filtern, Rechten und Quellen planen
- Re-Ranking für präzisere Suchergebnisse einsetzen
- Suchqualität mit nDCG, MRR und Recall@k messen
- Drift, Halluzinationen und Datenlücken sicher erkennen
- APIs, Caching und Monitoring in bestehende Systeme integrieren
Zielgruppe
- Data Engineers und Analytics Engineers
- Softwareentwicklerinnen und Softwareentwickler mit Such- oder API-Verantwortung
- Data Scientists und ML Engineers, die Retrieval bewerten wollen
- IT-Architektinnen und IT-Architekten für Wissens- und Suchsysteme
- Für alle, die semantische Suche und RAG produktionsnah aufbauen wollen
Voraussetzung für die Schulung
- Grundverständnis von Datenbanken, APIs und JSON
- Erste Berührung mit Suche oder LLM-Anwendungen ist hilfreich, aber nicht zwingend
Kursinhalte
- Von Keyword zu Semantik: Sucharchitektur
- Suchintentionen, Relevanz und Messbarkeit
- Hybrid Search: BM25 plus Vektorsuche
- Index-Strategien für strukturierte und unstrukturierte Daten
- Fehlerbilder: Drift, Halluzinationen, Datenlücken
- Embeddings und Vektordatenbanken in der Praxis
- Chunking-Strategien, Overlap, Metadaten
- Embedding-Modelle auswählen und evaluieren
- Vektorindizes: HNSW, IVF, PQ verständlich
- Update- und Re-Embedding-Strategien
- RAG-Pipelines für Datenbankwissen
- Retriever-Design: Filter, Facets, Security
- Re-Ranking mit Cross-Encodern
- Prompting für zitierfähige Antworten
- Antwortformate: Tabellen, JSON, Quellen
- Qualität, Tests und Observability
- Goldensets, Offline-Evaluation, A/B-Tests
- Relevanzmetriken: DCG, MRR, Recall@k
- Tracing, Logging, Kostenkontrolle
- Guardrails: PII, Policies, Prompt-Injection
- Integration in bestehende Systeme
- API-Design, Caching, Latenzbudgets
- Rollen, Rechte, Mandantenfähigkeit
- ETL/ELT und Dokumenten-Pipelines
- Betrieb: Versionierung, Rollback, Monitoring
- Use Cases und Musterlösungen
- Wissensdatenbank, Tickets, CRM, Verträge
- Suche über SQL-Tabellen plus Dokumente
- Mehrsprachigkeit und Domänenbegriffe
- Roadmap: von Pilot zu Produktion
